跳到正文

#GitHub

RSS
今日 0 則
11月21日週六
  1. Dev.to Top Tech59

    追蹤 AI 開源專案:停止更新比連結失效更常見,引用時附上 DOI

    AI 開源專案的連結失效,和專案停止更新,是兩件不同的事。作者追蹤了 733 個 GitHub 或 Hugging Face 專案,發現 23 個曾變得無法取得,其中 5 個後來恢復;另有 67 個專案超過 90 天沒有更新。作者建議把這兩種狀況分開記錄,並且連續兩次查不到才標記為失效。引用專案時,也可在網址旁附上 DOI 或封存連結,避免日後網址失效就找不到資料。

11月20日週五
  1. Dev.to Top Tech64

    Sumama-Jameel 公開 66 段真實程式開發過程,讓 AI 助理學會從錯誤中修正

    只看最後寫好的程式碼,AI 助理學不到遇到錯誤後怎麼繼續。Sumama-Jameel 整理出 66 段實際執行的程式開發過程:AI 助理在 Docker 沙盒裡處理真實專案任務,使用工具、碰到錯誤再修正,工具輸出和失敗紀錄都保留下來。每段資料都會檢查專案測試,也能在自己的電腦上重新驗證。作者公開與四份大型資料集的比較,並說明這份資料在規模和部分指標上落後;用它訓練的小型模型有一項分數從 43% 升到 80%,其他分數則退步。

11月17日週二
  1. Dev.to Top Tech70

    開發者盤點 MCP 工具,揭露哪些可能動用資金

    有些 MCP 工具能動用資金,也會接觸帳戶或憑證資料;如果提示詞注入影響這些工具,風險可能從讀取資料變成花掉資金。作者盤點公開 MCP 生態系,並公開可重算數字的資料與程式。盤點顯示,3,456 個伺服器提供資金操作功能,其中 1,301 個工具能移動資金;另有 2,663 個伺服器在同一信任範圍內處理資金與憑證。作者也提醒,這些數字只涵蓋公開生態系,企業內部部署不在盤點範圍內。公開的風險資料與檢查紀錄可供重跑,協助檢視工具許可權和操作紀錄是否能供稽核。

11月14日週六
  1. Dev.to Top Tech76

    研究檢查 3,905 份 GitHub 指令檔,發現 Claude Code 常讀不到 AGENTS.md

    AI 程式助理可能因為沒讀到專案規則,或只讀到部分內容,而和其他助理採用不同做法。作者檢查了 3,905 份 GitHub 上的 CLAUDE.md 和 AGENTS.md,發現兩份檔案並存時,約 16% 的 CLAUDE.md 沒有提到 AGENTS.md,因此 Claude Code 不會載入它;另有一些檔案要求助理自行去讀,或是複製後內容已經不同。作者建議在 CLAUDE.md 開頭單獨加上 @AGENTS.md,讓 Claude Code 匯入共用規則。研究也指出,超過 Codex 預設讀取大小的 AGENTS.md,後段內容不會送進模型;檢查只涵蓋公開 GitHub 專案,衡量的是規則有沒有傳到助理,不代表助理一定會遵守。

    推薦理由:這份 GitHub 檢查整理了指令檔未載入、內容分歧與長度超限的情況,並說明如何讓 Claude Code 讀取 AGENTS.md。

11月13日週五
  1. Dev.to Top Tech74

    作者比較 AI 助理與人類改動測試的情況,推出 honest-ci 偵測工具

    程式測試被改掉時,CI 仍可能顯示通過,光看結果很難知道測試是否變弱。作者用自己開發的 honest-ci 檢查 1,598 件 AI 助理提出的 PR,並與同一批專案中相近時間的人類 PR 比較。結果顯示,8.4% 的 AI 助理 PR 和 10.4% 的人類 PR 有測試變動;沒有提出理由、而且確實讓測試變弱的案例,兩邊都不到 1%。這些數字無法證明每次改動都合理,偵測工具也會誤報,因此作者建議讓測試變動交由人檢視。

11月12日週四
11月8日週日
11月7日週六
11月6日週五
  1. vLLM Official Blog82

    REINFORCE Zero:解決核對齊,提升 DeepSeek-V4.1 與 Kimi K3.1 的非同步 RL 穩定性

    REINFORCE Zero 是一種將核對齊與無截斷重要性抽樣結合的非同步 RL 方案,能在保持高品質的同時大幅提升訓練吞吐量。 - 核心機制:先將 rollout 與 learner 的 kernel 進行對齊,消除 kernel mismatch;再使用無截斷 IS 校正 weight lag,避免截斷帶來的偏差。

    推薦理由:本文提出 REINFORCE Zero 通過核對齊與無截斷 IS 實現非同步 RL 穩定性提升,讀者可參考其方法最佳化大規模代理訓練,並評估其在多模型上的適用性。

11月5日週四
11月4日週三
11月3日週二
  1. Dev.to Top Tech81

    研究:僅 0.1% 預訓練資料毒化即可植入 AI 代理的可執行後門

    研究概述:作者在 arXiv 發表論文,證明僅 0.1% 的預訓練資料毒化即可在 CLI AI 代理中植入可執行後門。 攻擊效果:4B 引數模型的成功率約 92%,甚至在 0.0005% 的毒化比例下仍有效。 安全啟示:資料供應必須納入 AI 代理安全清單,並提供公開的檢測方法與範例程式碼。

11月1日週日
  1. Dev.to Top Tech75

    代理完成任務卻同時刪除實驗

    代理在長期任務中往往會在早期犯錯,卻很少自行修正,導致後續步驟仍看似正確。 - 資料來源:UCLA、Google Research、Google DeepMind、NYU 收集 2,518 條真實代理軌跡,涵蓋 SWE‑bench、TerminalBench、BixBench 三個領域。

10月31日週六
10月30日週五
10月28日週三
10月27日週二
  1. Browser Use79

    Odysseys2:長期網頁代理基準

    Odysseys2 是由 Carnegie Mellon University 與 Browser Use 合作開發的長期網頁代理基準,涵蓋 100 個真實網頁任務,每項任務包含 8 至 12 個通過/失敗檢查。

    推薦理由:此基準提供 100 個真實網頁任務,讓研究者能直接比較各大模型在長期網路代理任務上的效能差異,並揭示不同 harness 與 judge 對結果的影響。

10月21日週三
  1. Hacker News (official RSS)78

    Basis 推出 LLM 驗證的解譯器

    Basis 發布了利用 LLM 撰寫並在 Lean 中證明的解譯器,證明其行為與實際 RISC‑V 編譯後的程式完全一致。 - 驗證方法:LLM 先自動生成 WHILE 語言的形式語義,然後在 Lean 中證明該語義與編譯後的二進位在所有程式上相符,並以此推匯出四個工具(型別檢查器、程式邏輯、抽象解譯器、編譯器)。

10月15日週四
10月11日週日
10月8日週四
10月7日週三
10月4日週日
10月2日週五
8月26日週三
  1. Browser Use73

    我們如何為瀏覽器打造可擴充套件的長期 RL 環境

    本報告說明如何利用真實瀏覽器使用者流量構建可擴充套件的長期 RL 環境,並公開 200 個樣本供開源社群使用。 - 任務來源:來自數億筆瀏覽器代理任務,經過篩選縮減至約 1,000 萬個獨特任務。

    推薦理由:本報告展示如何從真實瀏覽器流量構建可擴充套件長期 RL 環境,對研發者評估模型長期行為提供可複製實驗基礎。

8月24日週一
8月17日週一
8月10日週一
7月26日週日