TurboGPT 是一个用 CUDA C++ 实现的字节级微型 GPT 训练项目，采用 MIT 协议，可在 13 秒内训练 22KiB 的 Transformer。

PostHog 在 GitHub 开源 Jeeves 项目，通过推理能力改进 Jev 类决策模型。仓库包含 drafter、inference、loader、model、prep、sdk 等模块，并附有 calibrate.py、checkpoint.py 等脚本，采用 master 单分支，已获 49 星、7 次 fork。

Jeff 是一组从 Qwen3.5 和 Gemma 4 微调出来的 0.8B 参数小模型，专门做零样本分类——也就是不给例子直接判断类别。亮点是作者说在家用普通显卡上就能训练，推理一次只要 30 毫秒左右，延迟很低，适合塞进实时决策流程。模型兼容 Jev 格式，GitHub 上放了代码和权重。不过正文没披露用了多大训练集、在什么基准上测过，所以实际效果...

GitHub 的安全团队拿安卓开源项目（AOSP）跑了一遍他们开源的 AI 安全 Agent，自动扫出 24 个漏洞，还顺手把补丁交了。这个 Agent 相当于一个能自己看代码、找问题、写修复方案的自动化工具，把以前靠人肉审计的活变成了机器自主跑流程。不过正文没提具体是哪些类型的漏洞，也没说误报率有多高、底层用的是哪个模型。工具代码已经开源，想试的可以...

LightCloud 是一个新的云控制台，把项目、数据库、容器都组织成文件系统树，左边目录右边操作，像在本地 IDE 里管理文件一样。静态站点自动走全球 CDN，容器空闲时缩到零实例（不跑就不计费），Postgres 数据库可以在同一个项目里直接创建，凭证自动加密并注入到应用。每个分支和 PR 都会生成一个独立的预览链接，推送即构建。它还接入了 Cla...

一个GitHub项目火了：在没GPU的笔记本上跑700亿参数的GLM模型。办法是把SSD当显存用，用存储换速度。正文没披露具体延迟和精度损失，但思路很直接——内存不够硬盘凑。对没显卡的开发者来说，是个低成本试大模型的办法。

GitHub 发了一篇面向新手的 Copilot 教程，教你怎么用“画布”（canvases）搭自定义工作流。注意，这不是新功能发布，只是操作指南，没提任何技术参数或模型更新。对刚接触 Copilot 的开发者有用，但如果你想知道底层模型有没有升级、性能有没有提升，这篇正文里没有。

GitHub 工程团队分享了一个优化思路：不再等浏览器懒加载 CSS，而是把关键样式直接内联到初始 HTML 里。迁移到 CSS Modules 后，他们分析了关键渲染路径，提取了首屏 CSS，并避免了重复。结果是服务端渲染时间降了 55%，首次内容绘制也快了。对做前端性能或 SSR 优化的团队来说，是个很实在的案例。

Jev 是一个开源的代码审查工具，主打“先理解开发者意图，再解释代码改动”。它提供本地命令行、Agent 技能和 GitHub 扩展三种使用方式。正文没披露用了哪个模型、定价和性能基准，所以实际效果和成本还不清楚。

这个 GitHub 仓库给团队提供了一套从想法到上线的完整流程，专门配合 Copilot 这类 AI 编程助手用。它覆盖了写需求文档、搭架构、做测试、安全检查、代码审查和 CI/CD（自动构建部署），作者说已经在实际项目中验证过。不过正文没放任何跑分数据或用户案例，效果到底怎么样得自己试。

GitHub Copilot 应用推出 canvas，一种运行在应用内、无浏览器外壳的全栈小应用，可与 Copilot 智能体双向通信，并能在本地执行代码、调用第三方 API。作者认为聊天只是 AI 的通用兜底界面，用户明确任务时更该让智能体生成可复用工具，而非把智能体本身当工具、白白消耗 token。示例包括 Connect 4 游戏、Winget 包管理、SQLite 操作和开发工作流自动化。

Parcha.ai 开源了 AgentRun，一个声明式 DSL（领域特定语言），专门用来编排多智能体工作流。你可以把多个智能体步骤链成可复用的流水线，支持分支、循环和并行执行。说白了，就是用代码定义工作流，而不是靠写提示词（prompt）来凑合。项目目前只有 8 个 Star，刚起步。正文没提它跟 LangChain 或 CrewAI 具体有什么区别...

GitHub Copilot 应用重建了 pull request 视图，以流畅渲染含 2,200 个文件、超百万行改动和 400 多条行内评论的超大 PR。其做法是把文档高度拆成确定性的代码几何与动态评论块两套几何：代码行高提前精确算好，评论高度按块懒测量并锚定到文件、行与侧，避免滚动跳动。

Jason Page 开源了 Seal，一个让你写数字遗书和存密码的工具，只有在你死后才会交给家人。你设定一个不活跃期限——比如连续 30 天没登录——Seal 就会把加密内容发给指定联系人。正文没披露它怎么可靠地区分“真死了”和“只是忘了登录”，所以这点先别太激动。

Orbital 是一个刚上 GitHub 的开源项目（277 星），口号是“上下文归你，agent 可替换”。它把 Claude Project 里锁在平台里的对话上下文变成可复用的资产，你可以导出、换模型、换 agent 流程。如果你受够了 Claude Project 不能导出上下文、不能换 agent，这个值得看。正文没披露支持哪些模型、是否兼容...

GitHub 工程师让 Copilot 的智能体模式（agent mode）主导了这次迁移，分三步走：先让智能体逐个文件翻译，再用测试驱动修 bug，最后做性能和安全审查。搬完以后，服务启动从 30 秒降到 3 秒，内存占用砍到原来的三分之一，首 token 响应时间从 11 秒压到 1.2 秒。团队强调人始终在决策环里——智能体干重活，工程师管架构、...

Jim Nielsen 吐槽现在 GitHub、Claude 等服务的状态页只写“99.72% 可用率”，对非基础设施用户来说基本没意义。他引用 Jason Gorman 的观点：从 90% 到 99% 的难度和从 99% 到 99.9% 一样大，但数字看起来差不多。他的改进建议很直接：把“98.31% 可用率”改成“过去 30 天受影响 12 小时（...

这是一个GitHub合并门禁，专门检测AI写的代码有没有让项目结构变烂。传统测试只检查功能对不对，但AI代码经常能通过测试却让代码库越来越难维护——比如重复逻辑、混乱依赖、命名随意。ImpactGate会算一个“结构衰减分”，分数太低的PR直接拒绝合并。正文没披露具体怎么打分、阈值设多少，但思路很直接：把质量门禁从“跑得通”扩展到“结构好”。如果真能落...

Panel 是一个开源的研究工作台，核心思路是让 AI 代理自己创建和排列面板，而不是由人预先画好 UI。项目在 GitHub 上已有 594 次提交，但正文没披露支持哪些模型、能不能接外部工具。如果你在探索让 AI 自己生成界面的方向，值得看一眼，但先别太激动——目前信息还比较薄，实际效果和落地门槛都不清楚。

Runway 放出了 Solaris 的研究预览，这个系统不写前端代码，靠模型逐帧把界面画出来，用户的点击拖拽直接驱动下一帧画面。目前只有官方精剪的演示视频和一个候补名单，没有公测、定价和 API，第三方实测也还没出现。官方自报用户偏好度比传统代码界面高，但成本对比的参照系是更贵的视频扩散模型，不代表比普通网页渲染省钱。Google Research ...

一个叫 Kinesis 的开源项目，让你用 Meta 的 Neural Band 神经手环来控制 Mac。它把脑机接口信号转成 macOS 原生操作，比如手势滚动和移动光标。代码跑在本地，不依赖云端，隐私上放心一点。项目刚上 GitHub，目前只有 23 颗星，还非常早期。正文没披露延迟、准确率或支持哪些 macOS 版本，想试的话得自己跑代码测。

Liniora 是一个面向工程团队的 AI 工作区，能把 Jira/Asana 的工单、GitHub/GitLab 的分支和 PR、Slack 聊天记录、会议笔记全部拉到一个地方。它的 AI 会建一个代码库和对话的语义图，你可以直接问自然语言问题，比如“支付网关当时怎么定的？”然后得到答案。它还能自动总结 PR、从日历同步里提取行动项、从工单直接创建分...

有人在Reddit发帖，说自己用WhatsApp群聊记录微调了一个2B参数的小模型，并且把完整流程做成了GitHub cookbook开源。正文被Reddit屏蔽了，所以看不到基座模型、训练成本、效果评测这些关键信息。2B模型的好处是本地跑得动，适合拿自己的聊天记录训练一个模仿群聊口吻的玩具。如果你也想试试，这个cookbook是个不错的起点，但具体花...

GitHub 日韩营销负责人分享了一个实操案例：把活动策划、执行到跟进的全流程写成代码，用 Copilot 自动生成活动页面、发送跟进邮件、分析参会数据。核心思路是把营销运营当软件工程做，AI 负责砍掉重复劳动。正文没有披露具体节省了多少人力或时间，但思路本身对运营团队有参考价值。

Herdr Studio 是一个开源浏览器客户端，让你在一个可视化界面里同时管理多个 AI agent 的终端、文件、代码差异和工作树。它依赖 Herdr 守护进程，即使浏览器或笔记本断线，agent 会话也不会丢。支持本地和 SSH 连接，还能以 PWA 形式装到手机上。目前只提供了 macOS 和 Linux 的安装脚本，Windows 用户得去 ...

GitHub Copilot 应用内置 diff、终端和浏览器三个面板，让用户无需离开应用即可审查、运行和预览 AI 智能体生成的代码变更。diff 面板以绿色和红色高亮显示代码的增删改，终端面板支持直接运行项目命令并可通过 Run 按钮配置脚本，浏览器面板则提供 Pick & Polish 工具来选取页面元素并让智能体调整。

作者认为 AI 生成代码的最大问题是信任——不信任写 ticket 的人、不信任工程师是否理解需求、不信任测试能拦住回归、不信任 CI/CD 和监控。解决方案是让工程师对交付负责，同时给足自主权。具体做法包括：定好编码规范（AI agent 会读）、多用类型语言和 linter 等确定性工具、强制小 PR（太大直接拒）、手写测试用例（AI 只负责实现）...

GitHub 在博客里公开了一个叫 Project HydraFusion 的研究预览，核心是一个运行时的模型路由器。它会看每次请求的难度：简单任务直接丢给便宜的小模型，复杂任务才调用 Claude Sonnet 4.5 这类顶尖模型。GitHub 说这样能在保持 Copilot 回答质量的同时，把推理成本降到纯用顶级模型的五分之一。目前没有上线时间表...

GitHub Copilot 应用支持同时运行多个智能体会话，每个会话运行在独立的 Git worktree 上，互不干扰且各自保留上下文，可随时切换并从中断处继续。用户可在会话视图中查看各任务标题与进度，例如在同一项目上并行执行 funded sort 开发、无障碍审查和测试运行。

OpenRouter 数据显示智能体每周消耗 7.3 万亿 token，名义上是人类用量的 5.2 倍。但这 5.2 倍里 70% 到 85% 是缓存读取，模型服务商对这部分只收原价的一折左右，所以实际账单大概只多出 1 倍。这个数字只能代表 OpenRouter 一家平台，它的流量只占全球推理量的 1%，而且区分人类和智能体的算法权重没公开，没法复现...

GitHub 发了一篇工程博客，讲他们怎么把 Copilot 的 AI 编码成本降到原来的三分之一左右，同时任务质量没明显下降。核心做法是训练了一个 18 亿参数的小模型当“路由器”：它看 1040 组偏好样本，学会判断一个请求该交给便宜的小模型，还是该叫更强的模型来救场。上线后，强模型的调用量直接少了 70%，整体延迟控制在 11 秒以内。文章里还提...

Shopify 把内部用的 ML 流水线编辑器 Tangle 开源了。核心卖点是拖拽式可视化搭建，团队可以一起编辑、克隆、跑不同版本，支持任意语言和框架（把现有代码包进容器就行）。中间结果会按内容缓存，重复跑的时候省时间省算力。有在线 Playground 可以直接试，代码在 GitHub。适合不想写胶水代码、想快速搭实验流程的团队。

Neil Alexander 直接点名了一种新乱象：有人用 Claude 等模型批量生成拼写修复 PR 和安全漏洞报告，只为在 GitHub 个人页上刷绿点和贡献者头像，好给招聘方看。他举了一个具体例子——一个从 2018 年底几乎零活动的账号，突然给项目提了三个修注释拼写的 PR，全是 AI 写的、AI 提交的，连 commit 签名都带上了 Cla...

Plicara 扫了 187 万份智能体技能文件（就是教 AI 干活的说明书），发现非英语写的比例从 2026 年一季度的 13% 跳到了二季度的 16.3%，这个速度比 GitHub 文档的多元化快得多。中文技能占 6.2%，差不多是 GitHub 文档里中文占比的两倍。欧洲语言在同一时期翻了一倍多，日语和韩语反而下滑了。各家公布的数字对不上，是因为...

AI 编程工具 Cursor 正式发布了自己的代码托管平台 Origin，目标就是跟 GitHub 抢开发者。标题里提到了 Stacked PR（一种把大改动拆成小 PR 的协作方式）、AI Agent 和 Copilot，暗示 Origin 会深度集成 AI 能力，比如让 AI 自动帮你管理分支、合并代码。但正文完全没披露具体功能、定价和上线时间，所...

Cursor 开始向所有付费用户推送 Origin 的早期测试版，相当于在编辑器里内置了一个代码托管平台。你可以直接创建仓库、发起和审核合并请求、浏览代码，还能把 GitHub 上的仓库实时同步过来，两边互相发评论。每个仓库都住着一个 AI 助手，能回答代码问题、改代码、推分支。首批集成的应用有 Vercel（自动生成预览链接）、Depot 和 Bui...

AutoGPT 项目现在超过 60% 的拉取请求来自 AI 工具。维护者 Reinier van der Leer 在仓库里放了一个 AGENTS.md 文件，给 AI 贡献者立规矩，还加了技能门控：只有通过代码格式检查和单元测试的 AI 代理才能提交代码。垃圾 PR 数量大幅下降，但正文没披露有多少人类贡献者被误拦了。

GitHub 工程师分享了一套处理 AI 生成大块代码的工作流：先让模型一次性吐出整个功能的代码，再用堆叠式 Pull Request 自动把几千行改动按文件依赖和语义拆成 200 到 400 行一个的逻辑块。每个 PR 只关注一层改动，审阅的人不用同时看所有东西。文章给了具体命令和分支命名规范，但没披露内部有多少人用、审阅时间到底缩短了多少。

Starling 不是浏览器里的模拟界面，而是一个直接驱动 GPU 的 Wayland 桌面环境。它由一个人指挥 AI 在六个月内写完，代码量约 33.5 万行，其中桌面本体、Wayland 和 X11 服务器及内置应用约 6.2 万行。它能原生运行 Chrome、Slack 和 Zoom 这些它自己没写过的程序，支持一键切换平铺和浮动窗口、热插拔多显...

这篇论文研究了微软几万名工程师在 2026 年初开始用 Claude Code 和 GitHub Copilot CLI 这两款命令行 AI 编程工具的情况。有三个发现比较实在：第一，大家开始用主要是因为看到身边的同事在用，靠的是同事间的社交网络，不是公司硬性摊派。第二，能不能坚持用下去，跟工程师写代码的活跃度关系更大，跟年龄、性别这些背景信息关系不大...