作者修正半年前“杀死代码评审”的观点：逐行评审已过时，但替代方案不应只是AI查diff。评审的核心是建立团队对系统的共同理解，而非找bug；AI能查错却缺乏判断力与问责。新方案分五层：让AI先辩论、记录意图与验收标准、建立“AI劣质模式登记表”、保留团队讨论决策环节，并明确谁拥有不变量。

Google 对每次代码提交进行 AI 安全扫描，用程序分析验证漏洞路径，夜间复查跨提交问题，修复补丁交人工评审。核心是“发现、证明、复核、修复”证据链，由模型提出假设、分析验证真伪，避免仅依赖模型自信。团队可先选高风险目录试点，记录误报与评审耗时，再决定是否阻断合并。

GitHub更新Copilot代码评审，支持在防火墙后运行构建、测试和脚本，为评论提供证据；Lite档改用多Agent。官方称高严重度问题处理量增47%，但不宜外推。团队应重定义指标，关注可复现率、误报率和修复时长，并限制权限、隔离环境，防止把工具执行误当结论正确。

AI代码审查工具市场宣传混乱，各厂商自测结果差异大（如Greptile自测82%，复测仅45%）。核心差距在于上下文深度、规则执行、审查架构等五项指标。五款工具各有优劣：CodeRabbit易用但仅看diff，Greptile召回高但误报多，Qodo规则强，Copilot集成好但漏洞检测弱，Cursor精确率高。选择需结合自身代码库，勿轻信“第一”。

Go语言提案流程积压严重，年增23%，中位等待超两年。核心团队提出新流程：分四阶段（Incoming→Ready→Active→Decided），设3-5人Triage小组初筛，引入加权社区投票影响优先级，按领域分轨道并行评审，并借鉴排队论按争议度分配时间盒。社区担忧小众提案被忽视、Triage异化及已接受未实现提案积压，团队表示将迭代优化。

四位博士在《生物复杂性》期刊发表论文，旨在将智能设计论转化为实用科研工具。文章提出通过检测设计信号（如复杂指定信息）来指导研究，涵盖理论、检测和应用三大领域，并列举蛋白质折叠、基因、骨骼等案例，强调其工程学视角能推动仿生学等实际应用。

扩散模型推动了现代生成AI的发展，能够生成逼真的图像、视频和语音。2015年，Jascha Sohl-Dickstein等提出了一种通过逐步添加噪声来破坏数据并学习逆过程重建数据的新方法。这一思路解决了生成模型中的复杂性与可计算性之间的权衡，奠定了扩散概率模型的数学基础。该模型在多个数据集上表现出色，展示了在图像去噪和修复等实际应用中的潜力。

蚂蚁集团推出2026蚂蚁InTech奖，面向AGI、具身智能、数字医学和数据处理等领域的青年学者和博士生，提供20万元科技奖和5万元奖学金。评委阵容强大，旨在支持有潜力的科研人才，推动前沿技术发展。申报截止至2026年7月17日。

自一致性是一种新型解码策略，通过生成多个独立推理路径并选择最一致的答案，显著提升大型语言模型的推理能力。该方法克服了传统链式思维的局限，允许模型在选择答案前探索多种可能性，从而提高准确性。实验表明，自一致性在算术、常识和符号推理任务中表现优异，证明更好的推理不一定依赖于更大的模型或额外的训练。

本文介绍了独自开发（AIO）和团队协作（FTM）的工作流程，强调文档优先、评审的重要性及缺陷回流。AIO利用AI辅助开发，FTM则明确角色分工。核心原则包括先文档后代码、评审不过不构建，确保需求文档、技术文档和测试文档的协同更新，以提高开发过程的一致性和效率。

谷歌推出TPU开发者中心，旨在简化机器学习从业者与专用加速硬件的互动。该中心整合了文档、迁移指南和开发环境，目标是将模型训练时间从数周缩短至数小时，尤其适用于参数超过70亿的语言模型，显著降低训练成本和时间。

研究发现，九个大型语言模型（LLM）组成的评审小组仅提供约两个独立投票的信息。由于模型在相同项目上犯相同错误，评审小组的准确性比独立投票低8-22个百分点。增加评审人数或使用更智能的聚合算法未显著改善结果，表明评审小组的相关性是主要瓶颈，无法替代真正独立的评估。

在黑客马拉松中，成功的关键是清晰阐述问题并展示有效解决方案。团队应专注于一个功能，避免过度扩展，确保演示简洁明了。提前准备、了解评委期望、模拟用户体验和练习演示都是重要步骤。保持热情和享受过程也能提升成功机会。

大型语言模型在多步推理任务中的表现有限。研究提出了“链式思维提示”，鼓励模型展示推理过程后再给出答案，从而显著提升推理能力。这一方法无需额外训练，适用于算术、常识和符号推理任务，尤其在大型模型中效果显著。研究表明，适当的提示可以激发推理能力，改变了对语言模型推理的理解。

阿里巴巴开源的Open Code Review（OCR）是一款AI代码审查工具，能够自动审查Git提交和代码变更。它通过分析代码库，识别潜在的空指针、线程安全和SQL注入等问题，并提供精准的审查建议。OCR结合工程规则与AI，确保审查结果的稳定性和一致性，适合大型团队和复杂项目。

GPT-3在自然语言处理上取得了重大突破，但未能有效转化为助手。为此，OpenAI推出了InstructGPT，通过人类反馈训练模型更好地遵循指令，强调模型的对齐和实用性比规模更重要，推动了现代AI的发展，最终形成了更具人性化的对话系统如ChatGPT。

GPT-4标志着大型语言模型从实验研究转向实际应用，具备多模态能力，能够同时处理文本和图像，提升推理和安全性。报告强调用户意图对齐和安全性的重要性，展示了GPT-4在多项学术和专业考试中的优异表现，显示其在实际应用中的潜力。

GPT-3的论文展示了大型语言模型如何通过上下文学习新任务，而无需特定的微调。它能够通过示例直接从提示中学习，标志着AI系统交互方式的重大转变。这种“少量学习”方法使模型能够根据指令和示例动态适应，推动了现代AI研究的发展。尽管GPT-3在许多任务上表现出色，但在逻辑推理和一致性方面仍存在局限性。

GPT-2模型通过在大量文本上训练，仅预测下一个单词，展现出多任务能力，无需特定任务训练。这一方法标志着从监督学习向零-shot学习的转变，使模型能够在不同任务中进行泛化。研究表明，模型规模和数据量的增加有助于提升性能，推动了现代语言模型的发展。

本文介绍了AI语言理解的进展，特别是生成预训练（GPT）模型的创新。通过在大量未标记文本上进行预训练，再利用小规模标记数据进行微调，模型能够适应多种任务。这种方法减少了对标记数据的依赖，提升了模型的通用性和性能，成为现代语言模型的基础。