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,替代此前基于 LLM 的流水线,用户告警接受率提升 11.5%,推送后扫描中位执行时间降低 86%,服务成本降低 98%。该方案采用两阶段流程:先用正则表达式高召回地生成候选,再由微调后的 ModernBERT 结合文件路径、变量名和周边代码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,在开发者推送前就返回结果。
GitHub 为密钥扫描训练了专用的 ModernBERT 分类器,替代此前基于 LLM 的流水线,用户告警接受率提升 11.5%,推送后扫描中位执行时间降低 86%,服务成本降低 98%。该方案采用两阶段流程:先用正则表达式高召回地生成候选,再由微调后的 ModernBERT 结合文件路径、变量名和周边代码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,在开发者推送前就返回结果。
GitHub Copilot 可通过四种方式学习代码库规则:用 .github/copilot-instructions.md 定义仓库级约定,用 .github/instructions 中的 applyTo 字段指定路径级指导,用 .github/skills 下的 SKILL.md 封装可重复流程,用 .github/agents 定义专用自定义智能体。
GitHub 发布基于 ModernBERT 的通用密钥检测模型,用代码上下文识别数据库密码等非结构化密钥,候选批次评估耗时低于 2 毫秒,可将可拦截的密钥数量提升一倍以上。
GitHub 发布 AI 代码评审离线基准 ReviewBench,基于 1.039 亿个 GitHub PR 的分布特征,构建了覆盖 19 种语言、187 个开源仓库的 219 个 PR 评测集。
GitHub 提出 AI 正在改变开发者工作方式,建议强化三项技能:学会指挥 AI 智能体而非仅使用它、不轻信 AI 的第一个答案、用 AI 节省的时间解决更大问题。GitHub Copilot 内置的 Rubber Duck agent 会用第二个模型审查计划、代码和测试,以发现首个模型遗漏的问题。
GitHub Copilot 应用中的 canvas 是一种可自定义界面,用户和智能体共享同一份状态,可做成看板、问题分诊板、发布清单或仪表盘。创建时只需打开智能体会话,输入 /create-canvas 并用自然语言描述工作流、界面操作和智能体权限,智能体就会生成界面并在右侧面板打开。
GitHub Copilot 应用推出 canvas,一种在应用内运行、无浏览器界面的全栈小应用,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,例如做出可浏览和安装 Winget 包的界面,或用 SQLite canvas 直接操作数据库。
GitHub Security Lab 发布 Fuzzing Taskflow,这是一个面向 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++、读取覆盖率报告并改进 harness,再对每个崩溃做分类并生成漏洞报告。
推荐理由:作者公开了这套自主模糊测试流水线的架构与运行方式,读者可据此判断哪些人工环节能交给 LLM 智能体。