GitHub 如何用 ModernBERT 分类器减少密钥扫描误报
GitHub 为密钥扫描训练了专用的 ModernBERT 分类器,替代此前的 LLM 流水线,用户接受率提升 11.5%,推送后扫描中位执行时间降低 86%,服务成本降低 98% 以上。该方案采用两阶段流水线:先用正则表达式高召回生成候选,再由微调后的 ModernBERT 结合文件路径、变量名和上下文判断是否为真实密钥。效率提升使通用密钥检测得以扩展到推送保护,在推送前即可返回结果。
GitHub 为密钥扫描训练了专用的 ModernBERT 分类器,替代此前的 LLM 流水线,用户接受率提升 11.5%,推送后扫描中位执行时间降低 86%,服务成本降低 98% 以上。该方案采用两阶段流水线:先用正则表达式高召回生成候选,再由微调后的 ModernBERT 结合文件路径、变量名和上下文判断是否为真实密钥。效率提升使通用密钥检测得以扩展到推送保护,在推送前即可返回结果。
GitHub Copilot 可通过四种方式定制对代码库的理解:用 .github/copilot-instructions.md 定义仓库级规范,用 .github/instructions 配合 applyTo 字段做路径级指引,用 .github/skills 下的 SKILL.md 打包可复用流程,用 .github/agents 创建专用自定义智能体。
GitHub 发布与 Microsoft Applied Sciences 合作微调的 ModernBERT 分类器,把 push protection 扩展到无固定格式的密钥,可在 2 毫秒内评估一批候选密钥,官方称可让可拦截的密钥数量增加一倍以上。
推荐理由:GitHub 用九个季度数据说明密钥泄露与开发速度的失衡,并给出把检测前移到 push 环节的模型方案。
GitHub 发布 ReviewBench,一个面向 AI 代码审查智能体的开放离线基准,基于 1.039 亿个 GitHub pull request 的分布构建,包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
GitHub 提出 AI 时代开发者应强化的三项技能:学会指挥 AI 智能体而非仅使用它、不轻信 AI 的首次答案、用 AI 节省的时间去解决更大的问题。文中以 GitHub Copilot 内置的 Rubber Duck agent 为例,说明它用第二个模型对计划、代码和测试进行批判性审查,以发现首个模型遗漏的问题。
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 并用自然语言描述需求,agent 即可生成看板、发布清单或仪表盘等界面。
GitHub Copilot 提出 canvas 概念:一种运行在 GitHub Copilot 应用内、无浏览器外壳的全栈小应用,可与 agent 双向通信,也能调用第三方 API 并在本地执行代码。官方举例包括用 canvas 做 Connect 4 游戏、Winget 包管理界面和 SQLite 操作界面,并称用 agent 构建工具比反复对话更省 token。
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,只需传入 GitHub 仓库地址,即可自动识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness,最后对每个崩溃做去重与漏洞报告。
推荐理由:原文完整披露了自动化模糊测试流水线的分层架构与覆盖反馈循环,读者可据此判断哪些人工环节能被智能体接手。