跳到正文
只看AI#Microsoft
  1. GitHub Blog · AI & ML66

    GitHub 推出用于密钥检测的微调 ModernBERT 模型

    GitHub 升级密钥检测流水线，采用正则表达式初筛结合微调 ModernBERT 上下文分类器的两阶段架构，在减少误报的同时提升检测效率。相比此前基于通用 LLM 的方案，新模型使推送后扫描中位执行时间缩短 86%，推理服务成本降低超 98%，仓库所有者加权采纳率提升 11.5%。

    推荐理由：通过正则初筛结合微调轻量编码器模型的方案，为高吞吐场景下兼顾检测准确率与推理成本提供了实用的架构参考。

  1. GitHub Blog · AI & ML76

    GitHub 推出基于 ModernBERT 的 AI 密钥检测模型扩展推送保护

    GitHub 联合微软推出基于 ModernBERT 微调的通用密钥检测分类器，将其引入推送保护流程，可在 2 毫秒内完成候选批次评估并拦截无结构凭据。平台数据显示三分之一的 PR 涉及智能体，推送总量的激增使凭据泄露绝对值增加，而人工吊销平均耗时约 40 天。

    推荐理由：原文结合九个季度的泄露拦截数据与低延迟模型方案，展示了平台如何在代码吞吐量激增时通过计算前置拦截无结构凭据。

  1. GitHub Blog · AI & ML66

    GitHub 推出面向 AI 代码审查的开源评测基准 ReviewBench

    GitHub 与 Microsoft 联合推出面向 AI 代码审查智能体的开源评测基准 ReviewBench，现已开放研究预览并接受评测提交。该基准包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 PR，整合人类审查、LLM 与静态分析构建多源标准集，并采用 Claude Sonnet 5 统一执行打分。

    推荐理由：该基准基于海量真实代码库构建并引入多源验证，为开发者评估代码审查智能体提供了贴近生产环境的离线评测标准。

  1. Microsoft Research63

    微软研究院提出具身智能推理卸载方案以提升机器人性能与续航

    微软研究院发布关于具身物理 AI 推理卸载的系统研究，指出将计算从机器人板载 GPU 卸载到边缘或云端可显著提升任务成功率并延长电池续航。评估显示板载轻量硬件会导致建图规划变慢最高 383% 且 VLA 动作准确率下降 50%，而改用轻量板载硬件结合远程推理能消除 Jetson Thor 等高功耗显卡对电池最高 160% 的消耗。

    推荐理由：研究通过实测对比了板载与云边端卸载推理，为具身智能系统在计算性能与电池续航之间的权衡提供了架构参考。

已经到底了