Hugging Face將開源LLM引入GitHub Copilot

Back
Category : News

Hugging Face 最近宣佈，將佢哋嘅開源代理帶咗去 GitHub Copilot Chat 入面，喺 Visual Studio Code (VS Code) 用得着。呢個整合讓開發者可以直接喺編輯器中使用強大嘅開源大型語言模型 (LLM)，例如 Kimi K2 等。

透過呢個新功能，用戶可以選擇 Hugging Face 作為提供者，享受到更多開源 AI 選項，而唔使依賴封閉系統。呢樣野有助推動開源 AI 嘅普及。

更多詳情，請參閱 https://huggingface.co/docs/inference-providers/en/guides/vscode

Java 25 正式推出 JEP 506：Scoped Values，提升多執行緒資料分享效率

2025年9月17日 — Oracle 於昨日正式發布 Java 25，這是自 Java 21 以來首個長期支援（LTS）版本，帶來了18項 JDK 增強提案（JEP），其中 JEP 506：Scoped Values 的最終版本尤為引人注目。該功能在經過四輪預覽（JDK 20 至 JDK 24）後正式定案，為 Java 開發者提供了一個更高效且安全的資料分享機制，特別適用於虛擬執行緒（Virtual Threads）與結構化併發（Structured Concurrency）場景。

什麼是 Scoped Values？

Scoped Values（JEP 506）是一種新的 Java 併發機制，旨在取代傳統的 ThreadLocal 變數，提供更簡單、更高效的方式在執行緒內及執行緒間分享不可變資料。與 ThreadLocal 不同，Scoped Values 被設計為與 Project Loom 的虛擬執行緒高度相容，具有更低的空間與時間成本，並且在程式碼可讀性和維護性上更具優勢。

根據 Oracle 的官方文件，Scoped Values 允許方法將不可變資料綁定到特定範圍（scope），並與其調用的方法或子執行緒共享，而無需顯式傳遞參數。這使得資料流的管理更加清晰，尤其適用於 AI 應用程式、Web 框架和微服務架構。

主要特點與優勢

  1. 不可變資料分享：Scoped Values 確保資料在範圍內是不可變的，從而避免了多執行緒環境中常見的資料競爭問題。
  2. 與虛擬執行緒的協同：結合 Project Loom 的虛擬執行緒（JEP 444），Scoped Values 能以更低的開銷處理大量併發任務，特別適合高吞吐量的應用場景。
  3. 簡化程式碼結構：相較於 ThreadLocal，Scoped Values 無需顯式傳遞上下文參數，減少了程式碼的複雜度。例如，開發者可以透過 ScopedValue.where() 綁定值，並在範圍內使用 get() 獲取，而無需修改方法簽名。
  4. 性能優化：Scoped Values 的設計降低了記憶體佔用和執行時間，尤其在結構化併發（JEP 505）場景中，能有效提升應用程式的可靠性和可觀察性。

使用範例

以下是一個簡單的 Scoped Values 使用範例，展示如何在方法間共享上下文資料：

public class ScopedValueExample {
    private static final ScopedValue<String> USER_ID = ScopedValue.newInstance();

    public static void main(String[] args) {
        ScopedValue.where(USER_ID, "user123").run(() -> {
            processRequest();
        });
    }

    private static void processRequest() {
        String userId = USER_ID.get();
        System.out.println("處理請求，使用者ID: " + userId);
    }
}

在上述程式碼中，USER_ID 被綁定到 "user123"，並在 processRequest 方法中直接存取，而無需顯式傳遞參數。一旦離開範圍，該值會自動清除，確保不會洩漏到其他執行緒。

與 ThreadLocal 的比較

相較於 ThreadLocal，Scoped Values 的優勢在於：

  • 更低的開銷：ThreadLocal 在大量虛擬執行緒場景下可能導致記憶體和性能問題，而 Scoped Values 針對此進行了優化。
  • 更清晰的語義：Scoped Values 的範圍限制確保資料僅在指定範圍內可見，避免了 ThreadLocal 可能導致的值洩漏問題。
  • 支援結構化併發：與 JEP 505 結合，Scoped Values 能更好地管理多執行緒任務的生命週期。

對 AI 和微服務的影響

JEP 506 特別為 AI 應用程式和微服務架構帶來了顯著的改進。根據 Oracle 的說法，Scoped Values 能簡化在多執行緒環境中處理 AI 推論任務的資料分享，同時提升 Web 框架和微服務的性能。這對於需要快速處理大量並行請求的應用程式尤為重要。

例如，在 AI 推論場景中，Scoped Values 允許將模型參數或上下文資料高效地傳遞給不同的執行緒，無需複雜的同步機制，從而加速資料處理並降低錯誤風險。

業界反響

業界對 JEP 506 的最終定案反應積極。荷蘭 Java 使用者組織（NLJUG）指出，Scoped Values 的正式推出標誌著 Java 在現代併發程式設計中的重大進步。同時，Techzine Global 報導稱，這項功能與結構化併發（JEP 505）結合，將為 AI 應用程式開發帶來顯著的便利性和性能提升。

結語

JEP 506：Scoped Values 的最終版本為 Java 25 增添了強大的併發資料分享能力，進一步鞏固了 Java 在企業應用、AI 開發和微服務架構中的地位。開發者現在可以更輕鬆地撰寫高效、可維護的多執行緒程式碼，無需擔心傳統 ThreadLocal 的局限性。

欲了解更多詳情，請參閱 JEP 506 官方文件 或 Oracle 官方網站的 Java 25 發布公告。

來源：Oracle 官方新聞稿、OpenJDK JEP 506 文件、NLJUG、Techzine Global

Cloudflare 推出咗一個應用程式信心分數，專門用嚟評估 AI 應用程式嘅安全同可靠性。呢個分數唔係靠感覺或者黑箱 AI，而係基於一個公開嘅評分標準，會喺 Cloudflare 開發者文件入面保持更新。
分數分兩個部分：應用程式信心分數（5 分）評估一般 SaaS 成熟度，同 Gen-AI 信心分數（5 分）專注喺 AI 特定風險。準則包括法規合規（如 SOC 2、GDPR、ISO 27001、ISO 42001）、數據管理實務、安全控制，同財務穩定性（評估應用背後公司嘅長期可行性）。
呢啲分數嚟自公開可用資料，包括私隱政策、安全文件、合規認證、模型卡，同事件報告。
分數即將作為 Cloudflare One SASE 平台新 AI 安全姿勢管理（AI-SPM）功能一部分，提供畀 IT 同安全管理員，用嚟識別第三方 SaaS 同 AI 應用嘅信心水平，並根據呢啲分數制定政策。
目前，Cloudflare 發布咗評分標準嚟征求社區反饋。
https://blog.cloudflare.com/confidence-score-rubric/

字節跳動推出咗Seedream 4.0多模態圖像創作模型，同Google嘅Nano Banana對決，生成速度快咗十倍，支援4K畫質。
就喺Google嘅Gemini 2.5 flash Image（Nano Banana）因為佢多模態輸入功能橫掃生圖模型嘅時候，而家中國嘅字節跳動都推出咗對應產品，正式發表最新一代圖像生成模型 Seedream 4.0。
Seedream 4.0 主打更靈活嘅多模態創作能力，支援圖文混合輸入，可以用嚟文生圖、圖生圖、圖像編輯同組圖生成等應用。今次更新唔止玩法更豐富，重大幅強化生成品質同推理能力，甚至將最高解析度提升至4K。
Seedream 4.0 支援高度彈性嘅圖文結合輸入模式，創作者可以透過文字生成圖像，都可以對圖片進行編輯，甚至一次處理多張圖片、或者讓圖片彼此結合嚟創作。
另外，喺風格化方面都顯著進化，由傳統嘅巴洛克藝術，到現代賽博龐克風格，都可以靈活切換，甚至混搭出全新嘅藝術視覺效果。
Seedream 4.0 最大嘅亮點之一，係佢喺邏輯理解同推理方面嘅能力提升。透過結合世界知識同上下文判斷，AI 喺處理如解謎題、續寫漫畫、時間同物理限制等任務時，可以先「思考」再「繪圖」，大幅強化創作嘅合理性同敘事性。
喺生成效能方面，Seedream 4.0 採用全新架構設計同優化嘅蒸餾技術，讓DiT模型嘅圖像生成速度比前代快上10倍以上。輸出嘅畫質都由過去嘅2K提升至支援4K超高解析度，同時開放自訂圖片尺寸，讓專業創作者更有彈性。
官方強調，Seedream 4.0 唔係單純圖像模型，而係整合各種生成同推理能力嘅「創意平台」，針對創作、專業應用同推理場景，提出八大應用範疇，未來可以延伸至更多領域，包括商業設計、視覺敘事、甚至教育同研究使用。TechBang

NocoBase 係一個勁嘅開源無代碼平台，佢可以幫企業同開發者快速咁建構複雜嘅應用程式，而唔使寫一大堆 code 啊。
佢嘅插件架構好彈性，支援自訂資料模型、權限控制同工作流程，適合各種業務需求啦。
最近 NocoBase 更新咗新版本，加入咗 AI 整合功能，讓用戶可以用自然語言生成介面同邏輯，慳咗好多時間 wo。
唔少 startup 用佢嚟加速產品開發，效率提升咗幾倍添。
總之，NocoBase 正喺重塑無代碼開發嘅標準，成為行業新標桿。https://blog.csdn.net/coderroad/article/details/145596934

Visual Studio 2026 Insiders 首發現已經嚟到喇，專門畀 Windows 上嘅 C++ 開發者用。新版本帶嚟全新嘅 UI，性能更快，仲透過先進 AI 整合嚟提升開發效率。
呢個係 Insiders 版本，唔建議用嚟生產環境，Microsoft 歡迎用戶畀回饋嚟改善品質，將來會變成穩定版本。
用戶可以透過 IDE 嘅「幫助 > 傳送回饋 > 報告問題」功能嚟回報問題。

一項新研究話，一個簡單嘅血液測試可以喺症狀出現前多達10年就發現到阿茲海默症啦。呢個測試會量度血液裡邊某啲蛋白質嘅水平，呢啲蛋白質顯示腦部變化同疾病有關。科學家認為呢個方法準確率高，可以讓人早啲干預治療，避免病情惡化。

呢個發現對老人家嚟講好重要，因為阿茲海默症通常喺症狀出嚟之後先診斷到，已經錯過咗最佳治療時機。研究團隊希望呢個測試可以廣泛應用，幫助更多人。

https://www.sciencedaily.com/releases/2025/09/250909031511.htm

GitLab 宣佈咗 GitLab Duo Agent Platform 公開 beta 推出，呢個係一個 DevSecOps 協調平台，專門解鎖開發者同 AI 代理之間嘅異步合作。
GitLab Duo Agent Platform 代表咗軟件開發嘅重大進步，建立咗一個智能協調層，方便專門 AI 代理同人類開發者之間嘅無縫合作。利用 GitLab 作為軟件開發系統記錄嘅角色，平台畀 AI 代理提供全面項目上下文，畀佢哋做出符合組織標準嘅明智決定。
公開 beta 嘅第一個功能，現在畀 Premium 同 Ultimate 客戶用，包括軟件開發流程：第一個多代理協調工作流程，收集全面上下文，同開發者澄清歧義，執行戰略計劃，對代碼庫同儲存庫做精確修改。
GitLab Duo Agentic Chat 在 IDE 同 Web UI，提供狀態對話、slash commands 如 /explain, /tests, /include，同自訂規則。
另外，支持 JetBrains IDEs 同 Model Context Protocol (MCP) Client。
GitLab 計劃每月增加功能，目標年底一般可用。https://www.youtube.com/watch?v=tKv2Dz9_0ZU

GitHub Archive 記錄晒所有公開嘅 commit，包括刪除咗嘅，當做「zero-commit」PushEvents 啦。Sharon Brizinov 掃描咗自2020年起嘅呢啲事件，發現咗價值25k美元嘅bug bounties秘密喎。
Force pushes 用嚟隱藏錯誤，好似洩露憑證咁，會留下 dangling commits 喺 GitHub 上仍然可以訪問到。
Brizinov 同 Truffle Security 合作，開發咗開源嘅 Force Push Scanner 嚟識別呢啲 commit 入面嘅秘密。
呢個工具用 GitHub Event API 同 GH Archive 嚟獲取同掃描刪除咗嘅 commit。
過程包括最小化 clone repo，獲取特定 commit，同用 TruffleHog 掃描秘密。
手動審查、分類平台同 AI 幫助識別有影響力嘅秘密，包括案例如防止供應鏈妥協透過洩露 GitHub PAT。
呢個項目突出咗刪除 commit 永遠唔會真正移除，強調需要立即撤銷受損秘密。
https://trufflesecurity.com/blog/guest-post-how-i-scanned-all-of-github-s-oops-commits-for-leaked-secrets

AI Sheets 係一個無程式碼、開源嘅工具，用嚟用 AI 模型建構、轉換同豐富資料集，緊密整合 Hugging Face Hub 同開源 AI 生態系統。
佢有個易學嘅試算表式介面，專為快速實驗小資料集而設，之後可以擴展到大規模資料生成管道。
用戶可以透過寫提示語創建新欄位，隨時迭代，編輯或驗證儲存格嚟引導模型，實質上用少樣本例子微調提示。
應用包括比較測試模型、改善特定資料同模型嘅提示、轉換資料集（如清理文字）、分類內容、分析資料（如提取主要想法）、豐富資料集（如加郵遞區號），同生成合成資料集（如逼真電郵）。
你可以從匯入現有資料集（XLS、TSV、CSV 或 Parquet，上限 1,000 行）開始，或者用自然語言描述想要嘅資料集生成，從 5 個樣本行開始，可以擴展到 1,000。
工作時，可以加 AI 動力欄位，選擇提取資訊、總結、翻譯或自訂提示，透過手動編輯、讚好同重新生成嚟精煉結果。
最後，可以匯出到 Hub，生成可重用設定檔，用 HF jobs 或下游應用生成更多資料，包括從編輯同讚好儲存格嘅少樣本例子。
了解更多