GitHub 开源项目 Colibrì 用纯 C 实现分层推理，把 MoE 模型不常用的路由专家放在 NVMe SSD 上按需读取，让 744B 的 GLM-5.2 在最低 16GB、推荐 24GB 左右 RAM 的机器上运行，GPU 不是必需品，项目已获 32k Star。作者最初的开发机只有 12 核 CPU 加 25GB RAM，冷缓存时速度约 0.05～0.1 token/s，靠 LRU 缓存、专家使用频次统计和提前一层预测专家（可预测性 71.6%）把速度提上来，128GB RAM 纯 CPU 桌面机约 1.8 token/s，6 张 RTX 5090 可达 5.8～6.8 token/s。目前它已覆盖 9 个模型家族，从 GLM-5.2/5.3、DeepSeek V4 Flash、Qwen 到 975B 的 Inkling 和 2.8T 参数的 Kimi K3，后者约需 1.6TB 存储、RAM 32GB 起步。
匹配字段标题
GitHub Copilot 应用中的 canvas（画布扩展）是一种可自定义界面，用户只需在 agent 会话中输入 /create-canvas 技能并用自然语言描述需求，agent 就会自动生成看板、发布清单或仪表盘等界面。canvas 是双向的，agent 和用户可同时更新共享状态，无需单独的发送或同步步骤；创建后保存为扩展，可随项目共享或作为个人扩展复用，Awesome Copilot 也提供了现成扩展。
匹配字段标题
GitHub Copilot 应用推出 canvas 功能，一种在应用内运行、无浏览器外壳的全栈小应用，可与 Copilot 智能体双向通信。canvas 能调用第三方 API 并在本地执行代码，例如用 Winget 界面管理本地包、直接操作 SQLite 数据库，从而避免把每次交互都交给聊天智能体、浪费 token。作者认为聊天只是 AI 的通用兜底界面，任务明确时自定义 UI 更合适。
匹配字段标题
GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，它就会自动识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告、改进 harness、分诊崩溃并为每个独立漏洞生成报告。该流水线构建在 GitHub Security Lab Taskflow Agent 之上，默认使用 Claude Sonnet 5，通过 MCP 工具执行实际工作，状态存放在 SQLite 数据库 fuzz_context.db 中，代码已在 GitHubSecurityLab/seclab-taskflows-fuzzing 开源。作者提醒该工具会直接在宿主机上运行 afl-fuzz、clang 和 LLM 选择的构建命令，建议只在一次性环境（如 Codespace 或临时 VM）中、不带提权的情况下运行。
匹配字段标题
GitHub Copilot 应用重建了 Pull Request 视图，以应对超大 diff 与评论。团队用一份含 2,200 个文件、超 100 万行改动、400 多条行内评论的开源 PR 做验证：代码行沿用“绘制前已知全部高度”的虚拟化几何，评论则拆成独立的动态块几何，高度有界、延迟测量，修正只锚定在用户当前查看的位置。
匹配字段标题
GitHub Podcast 最新一期拆解了五个 AI 热门论断：AI 生成的代码仍需阅读和负责，但审查力度应按风险分级；Skills 与 MCP 解决不同问题，前者是打包的专家经验，后者是连接工具与数据的标准；RAG 并未死亡，检索能让模型更接近答案并减少 token 浪费。节目还讨论了招聘中的 AI 使用判断力，以及微调模型与代码库可维护性的关系。
匹配字段标题
GitHub 用 GitHub Copilot app 和 Copilot CLI 把 Copilot agent runtime 从 TypeScript 完全重写为超过 80 万行生产级 Rust，代码主要由 AI 智能体编写，拆成 128 个 PR 增量合入 main，而非一次性切换。到 8 月 21 日运行时已是 100% 生产 Rust，共 832,378 行生产代码和 468,689 行 Rust 单元测试，另有 174,675 行 E2E TypeScript 测试。作者称这一原本需要整个团队一到两年的项目，主要由一名开发者用几个月完成，期间团队其余成员继续扩展运行时能力。
匹配字段标题
GitHub 日本和韩国营销负责人把活动运营搬进 GitHub：每个活动对应一个 Issue，用 Issue forms 收集字段、Labels 触发、Actions 执行，并由 GitHub Copilot 读取仓库根目录的 AGENTS.md 运行手册来生成活动名和邀请邮件。原本需要手工花几天搭建的活动，现在从单个 Issue 自动完成注册者筛选和收尾清理。该模式依赖活动平台 API 或 CRM 的官方 CLI 等可脚本化入口。
匹配字段标题
GitHub Copilot 应用内置 diff、终端和浏览器三个面板，让用户无需在编辑器、终端和浏览器之间切换即可审查、运行并预览智能体生成的代码。diff 面板以绿色标注新增、红色标注删除，可接受改动、留言或让 Copilot 继续修改；终端面板支持运行项目命令并同时打开多个终端窗口；浏览器面板的 Pick & Polish 工具可选中页面元素让智能体调整。确认无误后可直接在应用内接受改动并创建 pull request。
匹配字段标题
GitHub Copilot 的 HydraFusion 通过协调多个模型来规划、构建、评审并完成编码任务，成本最高可降低 67%。这一方案展示了异构模型生态在提升结果与成本效益方面的价值。
匹配字段标题
GitHub 发布 Project HydraFusion 研究预览，在 GitHub Copilot CLI 中通过 /experimental 开启，可在 /model 中选择，按各模型标准费率计费。它把工作流选择当作优化问题，目前提供三种执行模式：单模型直接求解、高效模型起草后由质量门决定是否升级、以及由不同模型家族的独立只读评审模型审阅后由起草模型修改一次。在 TerminalBench 2.1 上，其验证任务质量比 Claude Opus 5 高 4.9 个百分点，预估成本低 67%；在 DeepSWE 上质量差距 1.5 个百分点、成本低 36%；在内部 CheckpointBench 上质量差距 0.1 个百分点、成本低 65%。
匹配字段标题
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，并可各自保留上下文，随时切换后继续。用户可在 sessions 视图中查看每个会话的标题与任务进度，并在完成后审阅结果，从而把时间花在审阅和决策上。文中以 tailspin-toys 仓库为例，演示了同时启动 funded sort 功能开发、无障碍审查和测试三个会话。
匹配字段标题
具身智能的新里程碑 智能在行动，惠及每个人。 200 天收获 30,000 个 GitHub stars。⭐ https://t.co/htCN2tun52
匹配字段标题
xAI 宣布 Grok 4.6 已在 GitHub Copilot 上线，面向 VS Code 和 GitHub 上的开发者。用户在模型选择器中选择 Grok 4.6 即可使用，部分企业账号需先在 Copilot 设置中启用该模型。该模型同时通过 SpaceXAI console 提供，定价为每百万输入 token 2 美元、每百万输出 token 6 美元。
匹配字段标题
DeepSeek-V4-Flash-0731 在架构不变的情况下通过新一轮微调，在独立测试中超越更大的 DeepSeek-V4-Pro，Artificial Analysis 智能指数达 50 分，仅比 GPT-5.6 Luna 最高推理模式低 1 分。该模型为 284B 总参数、13B 激活参数的 MoE 架构，支持最高 100 万 token 输入与 384,000 token 输出，MIT 许可下权重可免费商用，API 价格为每百万输入/缓存/输出 token $0.14/$0.0028/$0.28。
匹配字段标题
Grok 4.5 现已在 GitHub Copilot 中可用，覆盖 VSCode 和 GitHub 产品的数百万开发者，可在模型选择器中直接选择，部分企业需在 Copilot 设置中启用。该模型同时在 SpaceXAI 控制台提供，定价为每百万输入 token 2 美元、每百万输出 token 6 美元。
匹配字段标题
微软 AI 公布面向智能体工作负载的 MAI 模型在 GitHub Copilot 和 Excel 中的部署情况。MAI-Code-1-Flash 自 6 月在 GitHub Copilot 上线以来已有数百万开发者使用，在 VS Code 中代码接受率比 GPT 5.4 Mini 和 Claude Haiku 4.5 高约 10%，中位 token 用量低 10%。在 Excel 中，基于该 checkpoint 继续强化学习得到的模型在常见任务上质量与 GPT-5.6 相当，且可运行在 Nvidia H100 和 A100 上，降低部署成本。微软表示正将这一方法扩展到 Copilot Chat、Outlook、PowerPoint 等产品。
匹配字段标题
Augment Code 构建了名为 Mimi 的内部 AI 数据分析师，接入 Linear、Slack、GitHub 和 Hex，基于 dbt 模型回答团队查询。用户可在 Cosmos 或 Slack 中用自然语言提问，Mimi 会按预设流程检查数据并支持追问和复核。所有问答记录汇总到数据团队实时监控的日志中，便于在错误扩散前拦截。
匹配字段标题
微软发布编码模型 MAI-Code-1-Flash，基于自有企业级数据从头训练，未使用第三方模型蒸馏，正面向 VS Code 中的 GitHub Copilot 个人用户推送，出现在模型选择器和默认 Auto 选择器中。该模型针对 GitHub Copilot 生产环境训练，支持智能体编码和自适应思考，官方称在 SWE-Bench Verified、SWE-Bench Pro、SWE-Bench Multilingual 和 Terminal Bench 2 上均超过 Claude Haiku 4.5，其中 SWE-Bench Pro 为 51.2% 对 35.2%，并在 SWE-Bench Verified 上以最多减少 60% token 解决更难问题。
匹配字段标题
xAI 在 Grok Web、iOS 和 Android 上线 Connectors，把日常使用的应用直接接入 Grok，支持读写邮件、幻灯片、日历和表格等操作。首批可用连接器包括 SharePoint、Outlook、OneDrive、Google Workspace、Notion、GitHub 和 Linear，其中 SharePoint 的高级文档编辑由 Grok 4.3 驱动。同时推出 Bring Your Own MCP，可接入任意自定义 Model Context Protocol 服务器，文档见 https://docs.x.ai/grok/connectors。
匹配字段标题