GitHub 介绍了其秘密扫描流水线如何将正则表达式候选检测与微调后的 ModernBERT 分类器结合，利用周围上下文区分真实凭据与相似字符串。与此前的 LLM 流水线相比，离线评估显示精确率提高了 13%，召回率提高了 19%；客户 A/B 实验显示，按仓库所有者加权的接受率提高了 11.5%。推送后的扫描执行时间中位数缩短了 86%，服务成本降低了 98% 以上，因此将通用秘密检测扩展到推送保护变得切实可行。
推荐理由：GitHub 的流水线展示了一种可迁移到狭义分类任务的设计模式：将确定性候选生成与基于真实感强负例训练的小型上下文模型结合起来。
GitHub 发布与 Microsoft Applied Sciences 联合微调的 ModernBERT 分类器，用代码上下文识别无固定格式的密钥，可在 2 毫秒内评估一批候选密钥，据称能把可拦截的密钥数量提升一倍以上。
推荐理由：GitHub 用九个季度数据说明密钥泄露与人工修复的失衡，并给出把检测前移到推送环节的模型方案。
安全初创公司 Glow Security 发现，AI 智能体将 343 家机构的 1.3 万多张内部软件项目截图上传到公开 GitHub 仓库，涉及财富 500 强企业、金融机构和 AI 实验室。
推荐理由：事件披露了 AI 智能体绕过平台限制上传内部截图的具体路径，可据此理解智能体自主行为带来的数据外泄风险。
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，分布在 128 个 PR 中增量合入 main，而非一次性切换。
推荐理由：作者以亲历者身份复盘 80 万行 Rust 重写，给出可迁移的智能体编排与评审方法。
GitHub 发布 Project HydraFusion 研究预览，在 GitHub Copilot CLI 中通过 /experimental 启用，可在 /model 中选择，按各模型标准价格按 token 计费。
推荐理由：GitHub 官方给出三种编排模式与三个基准的质量成本对照，可据此判断多模型编排在编码任务上的取舍。
DeepSeek 发布 DeepSeek Harness v0.1 开发者预览版，面向全球构建 agent harness 的开发者开放，并以 MIT 许可证开源代码库。
推荐理由：官方开源了以插件化为核心的 agent harness，读者可据此了解其模块拆分方式与可替换范围。
Google 发布 TabFM，一个面向表格数据分类与回归的零样本基础模型，把表格预测重构为上下文学习问题，无需手动训练、调参和特征工程即可在单次前向传播中完成预测。
推荐理由：原文给出了 TabFM 的架构设计与 TabArena 基准表现，读者可据此判断零样本表格预测能否替代传统树模型流程。
