2026. október 10., szombat · Eszközök

A GitHub Rustra migrálta a Copilot futtatókörnyezetét AI-asszisztált átírással

A GitHub a Copilot CLI, a Copilot alkalmazás és a Copilot SDK mögötti futtatókörnyezetet TypeScript/Node.js helyett Rustra migrálta, a vállalat állítása szerint több mint 800 ezer sornyi produkciós kódot cserélve le AI-asszisztált átírással. A GitHub közlése szerint a migráció mintegy 14,5 hétig tartott, 128 pull requesten és 135 kiadáson (35 stabil, 100 előzetes) keresztül, miközben a szolgáltatás futott. A cég szerint egy mért indítási-munkamenet-forgatókönyv 5,25 másodpercről 292 ezredmásodpercre gyorsult, ha a Rust-futtatókörnyezetet közvetlenül a folyamatba ágyazták, mivel a korábbi Node.js/V8-alapú megoldás folyamathatáron kommunikált és kliensenként kb. 100 MB memóriát igényelt. Augusztus 21-re a kódbázis 832 378 sor produkciós Rust kódot és 468 689 sor Rust unit tesztet tartalmazott, a GitHub szerint 4478 cargo check futásból 87,1% hiba nélkül lezárult. A közösségi visszhang szerint az AI-asszisztált migrációk ellenőrzése komoly kihívás, különösen a megszakítás, újrapróbálkozás és visszanyomás (backpressure) jellegű viselkedések esetében, amelyeket puszta fordítási siker nem igazol.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A GitHub saját adatai szerint a Copilot SDK mostantól C ABI-n keresztül közvetlenül beágyazható a gazda-alkalmazásokba, ami a fejlesztőknek eltünteti a korábbi, folyamathatáron át kommunikáló Node.js-integráció memória- és sebességi terheit.

Források

InfoQ AI

Kapcsolódó témák

Napi összefoglalók AI eszközök #GitHub Copilot#Rust migráció

Napi összefoglaló

Ez a hír a 2026. október 10., szombat napi AI összefoglaló része.

Kapcsolódó hírek

GitHub Copilot új kutatási előnézete: HydraFusion több modellt kombinál

A GitHub bemutatta a Project HydraFusiont, a GitHub Copilot kutatási előnézetét, amely a vállalat állítása szerint futásidőben, több szolgáltató modelljét kombinálva építi fel a kódolási feladatok végrehajtási tervét. A rendszer a feladat komplexitása alapján három mintázat közül választ: egyetlen modell önálló futtatása, kaszkád (gyengébb modell tervezete, majd minőségi kapu alapján erősebb modellre eszkalálás), illetve kritika (egy másik modellcsaládból származó, csak olvasási jogú bíráló véleményezi a tervezetet, amit az eredeti modell egyszeri javítással dolgoz fel). A GitHub szerint öt alapelv biztosítja a megbízhatóságot: teljes költségkövetés, időkorlátos végrehajtás, elkülönített, eszközhasználat nélküli bírálati lépés, hibatűrő alkalmazási logika és a modellek elérhetőségének előzetes ellenőrzése. A cég állítása szerint kontrollált, offline teszteken három ügynöki kódolási benchmarkon a szelektív futásidejű munkafolyamatok elérték vagy meghaladták az alapmodellek teljesítményét, konkrét számszerű eredményt azonban a forrás nem közöl.

GitHub Copilot kódellenőrzés minden Azure DevOps ügyfélnek elérhető

Microsoft minden Azure DevOps ügyfél számára megnyitotta a GitHub Copilot kódellenőrzési funkcióját, megszüntetve a június óta érvényben lévő regisztrációs korlátozást. A funkció automatikusan megjegyzéseket fűz a pull requestekhez, a felhasznált tokenek alapján a kapcsolt Azure-előfizetésen keresztül számláz, a költségjelentés viszont két nappal a tényleges felhasználás után válik elérhetővé. Microsoft közleménye szerint évekig a GitHub-ra való migrálásra ösztönözte ügyfeleit, de sok szervezet mérete, testreszabásai vagy megfelelőségi kötelezettségei miatt nem tud váltani, ezért hozzák el a GitHub-funkciókat az Azure Repos-hoz. Az augusztusi frissítés szervezeti, projekt- és tárolószintű beállításokat, Managed DevOps Pools támogatást, egyedi utasításokat és ágpolitika-alapú automatikus felülvizsgálatokat is tartalmaz.

DeepSeek nyílt forráskódúvá tette gyors következtetési motorját, a DeepInfert

A DeepSeek Apache 2.0 licenc alatt nyílt forráskódúvá tette DeepInfer nevű belső következtetési keretrendszerét, amely a V4.1-Flash modelljét szolgálja ki gyorsan és olcsón – írja a The Decoder. A vLLM-re épülő rendszer optimalizált számítási kerneleket, több chipre elosztott feldolgozást és gyorsabb szöveggenerálási technikákat használ, és a cég jövőbeli modelljeinek kódját is nyíltan teszi közzé. Emellett megjelenik a deepseek-recipe is, amely a hivatalos DeepSeek API tokenfeldolgozását replikálja, hogy az önüzemeltetett rendszerek ugyanúgy viselkedjenek. A vállalat közlése szerint a cél a közösség számítási költségeinek és energiafelhasználásának csökkentése, hogy az AI megfizethetőbb legyen. A lap szerint a lépés egyben árversenyt gerjeszt a nyugati szolgáltatókkal, és a kínai–amerikai AI-verseny fényében akár politikai motivációja is lehet.

A Google is bemutatta saját PyTorch-verzióját, hogy gyengítse az Nvidia dominanciáját

A Google a TechCrunch beszámolója szerint kedden nyílt forráskódúként tette közzé a TorchTPU nevű eszközt, amely a népszerű PyTorch keretrendszer saját, Tensor Processing Unit (TPU) chipekre optimalizált változata. A cég állítása szerint a meglévő PyTorch-alkalmazások egyszerű konfigurációváltással, újraírás nélkül átvihetők a Google Cloud TPU-ira. A lépéssel a Google csatlakozik Amazonhoz, amely hétfőn jelentette be saját TorchNeuron megoldását a Trainium chipekhez, és emellett kódot nyújtott be a fő PyTorch projekthez, hogy a keretrendszer alapból kevésbé kötődjön az Nvidia hardveréhez. A TechCrunch szerint a Google azt állítja, hogy közvetlenül együttműködött a Metával, a Hugging Face-szel, valamint a vLLM-et és az SGLang-ot fejlesztő cégekkel a kompatibilitás biztosítása érdekében, és egy új TPU agent suite eszközt is indított a migráció segítésére. A PyTorch-ot eredetileg a Meta fejlesztette 2016-ban, majd 2022-ben a Linux Foundation nonprofit szervezetnek adta át.