搜索“GitHub”

ena Edit 排名第 3、AA-Image-Editing 排名第 2。 - MAI-Image-2.6 和 MAI-Image-2.6-Flash 现已在 Microsoft Foundry 全面可用。 - MAI Cyber 1.1 Flash 已在 MDASH 上线，与 MAI Cyber 1 Flash 表现相当，每次扫描成本降低 18%。 - GitHub Copilot 现已在公开预览中支持 GitHub Apps 的服务器到服务器身份验证，赶在今日开幕的 GitHub Universe 之前。 SPACEXSI 🔥： - Grok Bot 现已支持记忆导入，可从其他 AI 助手迁移偏好设置和上下文。 - Cursor 设计模式新增 Annotate 功能，可用于编辑元素、在页面上绘制以及在不同屏幕尺寸下审阅设计。 META 🔥： - Muse 现已在新加坡上线，支持 iOS、Android 和网页端。 NVIDIA 🔥： - NVIDIA 与 Meta 正在扩大在 Muse 模型上的合作，并计划在 Meta 更广泛地部署 Vera Rubin。 - Vera Rubi

匹配字段正文

调组件搭工作流，就是把你操作电脑的过程录制下来交给 AI，AI 自己去写步骤说明，自己在下一次复刻同款操作。 更骚的是，比起 codex，豆包工作还追加一个讲解功能，最长可以录制 30 分钟。我可以边操作边讲，告诉它我这步为什么这样选，这样就不需要死记硬背鼠标轨迹，我也不需要一次性完美录制成功，使用压力降低了很多。 我先尝试控制 Grok Bot 自动收集 Github 项目更新来试试水， 录制好的 Skill 执行过程中，跟 Codex 的 Computer Use 不同的是，中间如果我要用对应的这个窗口的话，它是会主动断掉的。 拿我在 Codex 上的经验说。经常会遇到我开了一个对话，那个对话要用我的浏览器，但我同时又想开另一个对话，两边就冲突了。操作软件的时候特别明显，浏览器其实还好，可以通过其他 Skill 绕开。 我说具体一些。 比方说我要用 Codex 操控 Grok，同样的环境给我出个日报。但因为我同时在录视频，或者在跟另一个 Agent 对话，它弹出来的页面就会打断我。我不断最小化 gpt 不断重试，很多时候就是因为反复切界面导致操作失败。 所以暂停和重试这两种机制，我

匹配字段正文

📄 MiniCPM-OCR 1.0——1B 规模下达到 SOTA 级 OCR 性能与速度。 它在 Real5-OmniDocBench 上取得 93.68，在 OCRBench v2 上取得 54.7，将精准的文档解析与高效推理相结合。 🛡️ MiniCPM-OCR Jev——一个用于校验 OCR 准确性的 2B 决策模型。 它在 JevOCRBench 上接近 Qwen3.5-397B-A17B，并可处理来自不同 OCR 解析器的输出。 看它将解析出的文本、公式和表格与原图进行比对，并给出 0–1 的正确性评分——帮助你挑选更优结果，并识别哪些内容需要人工复核。 🔓 开放权重。按你的方式部署。 可使用 llama.cpp、vLLM、SGLang 或 Ollama 运行。借助开源微调代码进行定制。 观看实测演示。👇 🔗 GitHub：https://t.co/2SlATAJk08 🤗 Hugging Face：https://t.co/Ttq31GL8eJ 👉 试用 Demo：https://t.co/QsFAJT3AFy 使用 API：https://t.co/dP01jBS2j2

匹配字段正文

验证文档的AI相结合，以找出规格中的模糊之处和遗漏。 Introducing the Elephant-Goldfish Model plugin: scaling design-driven AI software development - Google Open Source Blog google/elephant-goldfish-model - GitHub 该插件是在Google内部为软件工程师开发的。据该公司称，数千名员工每天都在使用该插件开发Google的生产代码。公开仓库中包含可自定义的Markdown规则、评审用子代理的角色设定、评审步骤等。许可证为Apache 2.0。 Elephant推进设计，Goldfish验证设计文档 Google指出，AI在加快编写代码速度的同时，也会加速生成缺陷和低质量代码。此外，还提到了在与AI的会话中此前的上下文会丢失的问题。EGM旨在让人能够理解系统构成和设计理由，因此在编写代码之前先与AI敲定设计，并将相关判断记录在文档中。官方博客称，让AI从第一次起就生成符合意图的代码，是该手法的目标。 根据官方博客引用的Google的Da

匹配字段正文

oud以开源形式发布了“PyTorch”的AWS Trainium、Google Cloud TPU支持版本。致力于从NVIDIA迁移 “DuckDB 2.0 LTS”正式发布。通过Quack协议实现客户端/服务器功能以及通过异步处理实现高速化等 Cloudflare宣布推出将TypeScript移植到Rust的“tsrs”。相比TypeScript 7，内存最多减少70%，速度提升8倍。今后计划支持LSP等TypeScript的全部功能 “Cloudflare OS”将提供托管服务。加强与GitHub的连接以及与Gmail的联动等 AWS宣布推出“AWS Lambda Web Functions”，可在AWS Lambda上直接部署并运行Next.js、Hono等Node.js框架和应用 微软预览发布.NET工具链管理器“dotnetup”。可管理多个版本的.NET环境 为了让读者安心阅读文章所做的努力 Simple Analytics 100%隐私优先的分析 - 用于Simple Analytics事件的脚本 -- 全局网站代码（gtag.js）- Google Analytics

匹配字段正文

dside）。 Axiom 形式化 CFSG：Axiom 宣布完成了有限单群分类的完整 Lean 自动形式化。原始证明横跨约 500 篇论文、由 100 多位数学家撰写，总计约 15,000 页（Axiom、Kevin Weil）。 过程：一个智能体集群在 24 天内产出了约 5000 万行 Lean 代码。智能体认领任务、互相审查工作，并在人类指导下通过 GitHub 合并，据称还修复了已发表证明中的数百处勘误（omarsar0、kimmonismus）。 背景：研究人员指出，这取代了四色定理，成为最大的计算机验证证明。很少有人能理解完整的 CFSG 证明（hyhieu226、Stella Biderman）。 指数时间假说：OpenAI 宣布在调和分析、复杂性理论和量子场论方面取得新成果，包括声称驳倒了 ETH，相关材料发布在其 openai/math 仓库中（Romain Huet、Dan）。 Anthropic 的平行声明：据报道，Anthropic 称 Claude 独立驳倒了 ETH，于 10 月 16 日找到了关键算法，“输出 1400 万 token，且无人类输入”。P

匹配字段正文

wler 网站称，API key 绝不会进入聊天，并且出于安全考虑存储在 macOS Keychain 中。 除了所选模型的 API key 保留在本地且不会被打印出来之外，Howler 网站还称它只在内存中存储消息、不留历史记录，请求直接发送给所选的 AI 服务、从不经过中继，不保留日志，并且只在检查更新时才连接外部服务——就连这个功能也可以禁用。 对于那些想向 AI 提问又不想在 Mac 上留下聊天记录的人来说，这是个顺手的工具——比如想记起那个你早该记住的该死的函数名，或者想分清秋天那个假期是阵亡将士纪念日还是劳动节。只是别以为 AI 服务商不会保留这次交流的记录。 “与普通对话不同，它不会占用你的对话列表，你也不必事后想着清理或归档，”Zhou 解释道。“它只用来处理你突如其来的灵感闪现或一时困惑。” 而且它做得很有派头——当然，它只是一个 AI 模型的界面，同样的模型在别处也能找到，但它召之即来、打个响指就能关掉，而且还是开源的。你可以在 GitHub 上找到 Howler，或从其网站下载，两个链接都在上面。® 开源 AI 与机器学习软件 另类 把我们设为 Google 首选

匹配字段正文

AI课程的注册率从 2025 年的每分钟 25 次增加到 2026 年的每分钟 40 次以上。” 第二，人类技能同步升温，与此同时，批判性思维课程注册人数同比增长超过 100%。增速甚至高于GenAI课程的注册，说明学习者并未因 AI 兴起而放弃“软技能”。 在此背景下，Coursera的合作伙伴持续扩大，如新伙伴包括哈佛商学院在线（领导力与商业战略课程），GitHub（代理式 AI 与现代软件开发相关课程）等，覆盖“技术 AI”与“人类技能”两端。 04 生态系统：3.1亿学习者、近1.2万企业客户、双讲师体系 合并后的生态已覆盖超过3.1亿学习者，服务超160万付费订阅者和近1.2万企业客户。 但真正的护城河不是这些总量数字，而是两套互补的讲师体系：Udemy带来近10万名讲师组成的全球社区，价值在于“响应速度”——工具、角色和技能快速变化时，从业者能迅速把最新实践转化为课程；Coursera则依托425+大学、领先企业和专业机构的深厚关系，提供可信教学与受认可证书。 用Greg的话说，合并后，二者共同构成“更广泛、更响应性的基础”，Udemy解决“快”，Coursera解决”信“

匹配字段正文

问题，部署修复并重置所有用户的使用额度，同时增加后台使用量监控，以便更早发现类似问题。Tibo 还表示，团队会为用户额外补充一次额度重置，以弥补此前异常消耗造成的影响。 Anthropic 的 Claude Code 也被发现存在类似问题，只不过消耗发生在一个更加不起眼的环节。 8 月 15 日，一名开发者在 Anthropic 的 Claude Code GitHub 仓库提交 Issue，要求官方提供一个正式开关，允许用户关闭子智能体状态摘要，而不必牺牲整个子智能体功能。 问题出在 Claude Code 的后台状态刷新机制。当用户启动多个子智能体时，系统会定期调用模型，为每个活跃智能体生成一条简短状态提示，例如当前正在执行什么任务。按照开发者对 Claude Code 内部请求的分析，这项机制默认每隔 30 秒触发一次，每次都会重新提交子智能体的完整对话历史及工具定义，交给模型生成摘要。最终输出通常只有几十个 Token，主要用于更新界面中的状态文字，同时帮助用户和 Claude Code 掌握各个后台智能体的工作进展。 开发者对一次持续 4 小时、启动 27 个子智能体的会话进

匹配字段正文

正在探索如何将这些步骤作为应对另一起严重事件的标准流程的一部分。 监测器发现了什么 已发布的失准报告在索引中共有20份，其中包括一个智能体利用测试工具恢复了任务故意隐瞒的源代码（此前该工具在错误消息中泄露了代码），以及一些智能体将内部托管的软件仓库改用作跨不同训练样本的共享留言板。另一起记录在案的事件涉及一个内部编码智能体，它在公共仓库中泄露了一名研究人员的GitHub令牌。 OpenAI通过记录在案的事件、模拟攻击、对当前流量的随机审计以及红队测试来评估该系统。在一项名为OAI-repo Sabotage v2的模拟中，一个智能体在执行普通编码任务的同时追求隐藏目标，例如禁用监控或部署未经批准的模型检查点；在另一项名为Sneaky Sandbox Escape的模拟中，该智能体试图逃出沙箱并禁用测试监控进程。OpenAI报告称，在记录事件、合成转录文本和破坏任务上，使用GPT-5.6 Sol的监控器发现的案例显著多于使用GPT-5.6 Terra或GPT-5.6 Luna的监控器，不过在Sneaky Sandbox Escape模拟中，这三者的表现都完美或近乎完美。该公司表示，它认为

匹配字段正文

y-2b-latest，默认开启零数据保留。标价显示为每百万输入 token 0.01 美元，缓存输入和输出标价为 0.00 美元。系列定价表列出 elephant-1 为每百万 token 0.035 美元，mammoth-1 为 0.1 美元，公告将 joey-1 的价格描述为 mammoth-1 的十分之一。 在 Model APIs 上，决策模型支持 16k 上下文窗口，并针对低延迟工作负载进行了优化。专用部署可解锁完整的 262k 上下文窗口，并支持微调后的权重；Baseten 表示，通过针对工作负载的优化以及与 LLM 工作负载的同址部署，专用部署还可提供更快的 TTFT 和 TPS（首 token 时间和每秒 token 数）。elephant-1 和 joey-1 可在 Baseten Training Jobs 上进行后训练，公司已在 GitHub 上发布了微调指南。 权重以 MIT 许可证开放。对于自托管，模型卡的安装脚本会安装固定版本的服务运行时 OneJev 及一个服务补丁，并需要一块 CUDA GPU。模型卡指出，超过训练长度限制的请求会被拒绝，而不是被截断。

匹配字段正文

由 Microsoft Research AI for Science 团队开发，建立在 Biomolecular Emulator 之上；后者是一个深度学习模型，旨在帮助科学家更好地理解蛋白质的工作方式。 这种理解可能对医学产生重要影响。通过更深入地了解蛋白质如何发挥功能，科学家有望更接近开发出更有效的药物，以增强有益的蛋白质活性，或防止蛋白质造成危害。 前往 BioEmu2 Microsoft Research GitHub 仓库（在新标签页中打开） 以探索该模型并了解更多信息。 [音乐] 这就是你的 研究重点. 从能力更强的 AI 智能体到更精准的天气预报，这些只是研究人员在 Microsoft 正在探索的众多进展中的一小部分。 想了解更多并保持联系？请在各大社交平台上关注 Microsoft Research，探索最新研究、认识背后的研究人员，并持续关注塑造未来发展的各种想法。 我是 Sowbhagya Suresh。非常感谢大家的收听。我们下期 微软研究聚焦。 [音乐渐弱] 在新标签页中打开 认识作者 Sowbhagya Suresh 项目经理 了解更多 研究领域 人工智能

匹配字段正文

物体识别 双视角协议: 每个样本同时包含完整图像和裁剪区域，以量化“缩放差距” 注意力图分析: 从可解释性视角评估模型是否将其预测建立在任务相关的图像区域上 混合构建: 由 Gemini-2.5-Pro 生成并经人工核验，兼顾质量与可扩展性 高难度: Qwen2.5-VL-7B 的平均准确率仅为 42.5% 🛠️ 安装 git clone https://github.com/inclusionAI/Zooming-without-Zooming.git cd Zooming-without-Zooming pip install -r requirements.txt git clone https://github.com/facebookresearch/sam3.git cd sam3 pip install -e . please refer to the official repo of SAM3 for detailed installation cd ../EasyR1 pip install -e . please refer to the official rep

匹配字段正文

于3.5分，其中2篇达到3.67分（图源：超衍智能） 截至今年9月，该公司已累计融资近4亿元，IDG资本、星连资本、中关村科学城基金、深创投、上海未来产业基金均是其投资人。 目前，Apex-35B-V1.0已采用Apache 2.0许可证开放模型权重，官方提供约72GB的BF16权重和不同精度的GGUF量化版本。 模型开源地址： Hugging Face： GitHub： ▲Apex-35B-V1.0开源主页（图源：Hugging Face） Apex-35B-V1.0基于Qwen3.6-35B-A3B开发，通过中训练和后训练优化，并融入超衍智能自有的研究轨迹数据。这款模型总参数量为350亿，每个Token激活约30亿参数，支持26.2万Token上下文窗口。 AI能在多大程度上帮助模型研发？超衍智能此次公布了两项AI4AI-Bench基准测试结果，展示Apex-35B-V1.0优化语言模型和图像生成模型训练方案的能力。 先来看语言模型的训练效果。在AI4AI-Bench的推箱子任务中，Apex-35B-V1.0为30亿参数的Qwen2.5-3B-Instruct制定训练方案。经过训练

匹配字段正文

pple Experience、AI盈利落空、Cookie横幅。 广告后继续阅读 推荐编辑内容 在您同意的情况下，此处将加载外部YouTube视频（Google Ireland Limited）。 我同意向我显示外部内容。由此可能会将个人数据传输至第三方平台（Google Ireland Limited）。更多相关信息请参阅我们的隐私政策。 同样重要的是： GitHub简化了企业客户访问大型语言模型Copilot的途径。此外，更好的模型路由应有助于节省Token：GitHub通过“Copilot Access”为企业客户提供Copilot。 自2020年以来，中国在极度保密的情况下发射了多架神秘的太空飞机。一颗美国私人卫星在太空中拍摄到了该飞行器：美国情报机构首次公开了中国神秘太空飞机的清晰照片。 一位开发者用AI复刻了Photoshop，并宣称软件开发已经终结。Golo Roden在其评论中认为这是错误的：用AI复刻Photoshop——复制成本低廉，决策则不然。 起初，茨维考大众工厂是电动汽车领域的先行者，如今那里却在拆解老旧车辆。这能否保障这个受威胁工厂的未来？大众启动报废汽车拆

匹配字段正文

环绕」功能。如果额外添置两台便携音箱 Sonos Play，平时可以随便放在厨房或卧室听歌，看电影时直接拎到沙发后面，系统就会借助空间定位技术自动识别左右位置、跟 Beam Ultra 组成完整的实体环绕声，结束了又能随时提走。 事实上最让我觉得有意思的其实不是音质，而是 Sonos 27 MCP。虽然以前也有极客玩家通过 Home Assistant 或 GitHub 开源项目在本地折腾音箱的 MCP 桥接，但 Sonos 是目前第一家直接由官方下场提供原生云端 MCP 服务的音响品牌。不需要自己搭服务器，只要把官方接口地址添加到平时常用的 AI 里登录授权，坐在电脑前干活时连手机都不用碰，直接在对话框里下达指令就能安排音箱播放——自己不硬造封闭的 AI 语音助手，而是把控制权开放给用户最常用的 AI 工具，这确实很符合「音频操作系统」的定位。 至于 Sonos 27 这次主打的拿两台 Sonos Play 当临时后环绕，还有和新款耳机 Ace Ultra 的无缝切换，只能留在未来有机会入手再慢慢感受了。而除了看电影和刷剧，在不打开电视的大部分时间里，Beam Ultra 其实直接承

匹配字段正文

[1]的专项智能指数（SII），Fireworks 是我们在开放权重模型推理与训练方面的合作伙伴。SII 汇集了由从业者构建的基准测试，用于在跨行业的真实工作任务上比较开放、闭源和专项模型。 大多数编码基准测试，例如 DeepSWE [2]，在现有代码库中交给智能体一个定义明确的任务。而在 ViBench 2.0 中，智能体从空项目开始，然后以 Uber、GitHub 或 Google Docs 等产品为蓝本，一次构建一个功能，最终打造出完整产品。 ViBench 2.0 包含十七个产品、241 个功能请求和 544 个测试计划。表现最好的模型 GPT-6.1 Sol、GPT-6 Astra 和 Opus 5.5 仅在其 49⁠-⁠65% 的构建中通过了全部测试计划。 我们为何构建 ViBench 2.0 我们以 ViBench 1.0 为蓝本进行建模 [3] 当时Replit用户正在构建的东西，比如协作白板和简历生成器。如今人们来到Replit是为了构建完整的业务，这些业务往往包含功能齐全的软件产品。ViBench 2.0衡量的是模型能否构建出这样的产品。 智能体根据一份简短规格说

匹配字段正文

1:32:08 Titus 理想的软件工程课程 1:36:27 进入科技行业的建议 1:38:35 书籍推荐 参考资料 在哪里可以找到 Titus Winters： 本集中提到的内容： • Harvey Mudd College：https://www.hmc.edu • UC Riverside：https://ucr.edu • Abseil：网站 · GitHub • OpenRewrite：文档 · GitHub • 无责事后复盘文化（Google SRE 手册）：https://sre.google/sre-book/postmortem-culture/ • Cat Hicks 的《软件团队心理学》：https://www.amazon.com/dp/B0GQTCL1J4 • Adobe 任命 Anil Chakravarthy 为 CEO，接替 Shantanu Narayen：https://daringfireball.net/linked/2026/09/04/adobe-new-ceo • 开发、部署、运维：理解软件开发成本与价值的整体模型：https://que

匹配字段正文

（未经证实）：据报道，The Information 称 Kimi K3.1 Pro 是从 GPT-6 Astra 蒸馏而来（@kimmonismus）。 Giotto：另外，“欧洲主权 AI”Giotto 被批评为基于 Kimi 的模型。批评者指出其基准分数已饱和，且其 EULA 禁止发布用户自己的基准数据（@oneill c）。 编程智能体与开发者工具 GitHub Copilot Fusion：Fusion 在运行时编排 Anthropic 和 OpenAI 的模型（@ArtificialAnlys）。 独立结果：在 AA Coding Agent Index 上，它在 Claude Code 中比 Opus 5.5 低 2 分。每项任务成本为 5.59 美元，而该配置为 11.42 美元，且每项任务使用 7.2M token。它以 71 分领跑 Terminal-Bench 4.0。 GitHub 的说法：GitHub 声称成本最多降低 77%，运行速度提高 40%。它还推出了 Copilot 自动化和多仓库 Copilot Projects（@kdaigle）。 T3 Cod

匹配字段正文

果。每个 hear 命令都需要 --backend apple、--backend parakeet 或 --backend qwen；在进行分析之前，请使用相同的后端和模型选项运行 hear prepare，以安装所需的资源。 在你的应用中试用它们，并告诉我们哪些功能可用、哪些不可用。欢迎在两个仓库中提交 issue 和 pull request。 链接 GitHub 上的 AnySpeechRecognizer GitHub 上的 AnyDecisionModel GitHub 上的 AnyDecisionModel-Examples GitHub 上的 AnyLanguageModel GitHub 上的 swift-huggingface 感谢 NVIDIA 提供 Parakeet、Sortformer 和 NeMo，感谢 Moondream 提供 Parakeet Ultra，感谢 FluidInference——其 FluidAudio 和 mobius 项目记录了 Parakeet 运行时和 Core ML 转换所遵循的约定，感谢 Cloudflare 提供 Clef，也

匹配字段正文