GitHub 将 ModernBERT 分类器用于 push 保护，拦截非结构化密钥
GitHub 与 Microsoft Applied Sciences 合作构建 ModernBERT 分类器，把 push 保护扩展到无固定格式的密钥，候选批次评估耗时不到 2 毫秒，有望使可拦截的密钥数量翻倍以上。
推荐理由：文章给出了 GitHub 秘密扫描的季度数据，并说明新分类器上线后如何把防护提前到 push 之前。
全部 AI 动态
GitHub Blog · AI & ML精选AI 评分6767
Mistral AI精选AI 评分8787 Mistral 发布 1 万亿参数多模态模型 Mistral Large 4 预览版
Mistral AI 推出 Mistral Large 4 公开预览，这是一个 1 万亿参数、520 亿激活参数的原生多模态模型，可通过 Mistral Studio 的预览 API 试用，权重将在本月底发布。
推荐理由：官方给出 1 万亿参数规模、开源权重时间点与多项基准对比，可据此判断开源模型的性能位置。
GitHub Blog · AI & ML精选AI 评分6262 GitHub 发布 ReviewBench 开源 AI 代码评审基准
GitHub 发布代码评审基准 ReviewBench，基于 1.039 亿条真实 PR 的分布构建，包含 219 条来自 187 个开源仓库、覆盖 19 种语言的 PR。
推荐理由：GitHub 公开了代码评审智能体基准的数据集、评分规范和评审模型，附离线与线上实验的一致性证据。
Import AIAI 评分4747 Import AI 474：Levin 的柏拉图心智空间、太空 TPU、智谱开启外层 RSI 循环
Import AI 第 474 期介绍了 Michael Levin 的论文《Ingressing Minds》，提出心智如同数学模式与物理形态的关系，身体只是模式进入物理世界的接口。同期还涉及太空 TPU 与智谱开启外层 RSI 循环等话题，并讨论机器人学正等待自己的 LLM 时刻但缺少通用算法。
Mistral AIAI 评分5656 Mistral 与 Mozilla 达成合作，为 Firefox Smart Window 提供模型支持
Mistral 宣布与 Mozilla 合作，Firefox 的 AI 浏览助手 Smart Window（beta）改由 Mistral 模型驱动。该助手帮助用户理解复杂搜索、找回此前浏览过的内容，并根据浏览器标签页溯源信息。Mistral 将为法国和北美用户提供支持，英国和德国预计今年晚些时候跟进；对话默认不保存在 Mozilla 服务器，合作方同意零数据保留。
Berkeley AI Research精选AI 评分6161 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley AI Research 博客介绍给 K-Search 演进式内核搜索框架新增 MLX 后端和结构化 CUDA-to-MLX 翻译层，把已有 CUDA 内核知识迁移到 Apple Silicon。
推荐理由：研究展示 CUDA 优化经验可经结构化翻译迁移到 MLX，让演进式内核搜索在 Apple Silicon 上接近专家水平。
Berkeley AI ResearchAI 评分4040 智能免费之后怎么办？面向、属于与由智能体构建的数据系统
UC Berkeley 的 Aditya G. Parameswaran 等人提出，推理成本快速下降后将出现三类新挑战：为智能体设计的数据系统、支撑智能体群体的数据系统，以及由智能体自主合成数据系统。
Berkeley AI ResearchAI 评分5252 自适应并行推理：高效推理扩展的下一个范式
Berkeley AI Research 发布文章，梳理自适应并行推理（APR）的研究进展，把它定义为模型在推理时动态分配并行与串行算力的范式。文章对比 self-consistency、Best-of-N、Tree-of-Thoughts、MCTS、ParaThinker、GroupThink、Hogwild!
Berkeley AI ResearchAI 评分4545 GRASP：面向世界模型的梯度规划方法，让长时程规划更稳健
研究者提出基于梯度的世界模型规划器 GRASP，通过把轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代中注入随机性以探索，并重塑梯度避免经由高维视觉模型的高维“状态-输入”梯度。长时程规划中存在计算图条件数随时程指数恶化、非贪心结构带来局部极小值等问题，GRASP 针对这些失败模式提升了规划的稳健性。
Berkeley AI ResearchAI 评分4949 面向 LLM 的大规模交互识别：SPEX 与 ProxySPEX 算法
伯克利 AI 研究团队介绍了 SPEX 与 ProxySPEX 两种算法，用于在特征归因、数据归因与机制可解释性中大规模识别关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题；ProxySPEX 进一步利用层次结构，在约少 10 倍消融次数下达到 SPEX 的性能。在情感分析与 RAG 等任务上，SPEX 在上下文扩展到数千特征时仍保持高忠实度。