Schneier on Security

Why developers are ditching GitHub for Codeberg and self-hosting alternatives

Ngày càng nhiều dự án mã nguồn mở rời khỏi GitHub do lo ngại về thời gian downtime thường xuyên, quyền sở hữu của Microsoft, việc đào tạo AI trên mã nguồn, và định hướng chính trị. Các lựa chọn thay thế như Codeberg (dựa trên Forgejo), Sourcehut, Gitea và các nền tảng self-hosted đang thu hút sự quan tâm.

Những lập trình viên quan tâm đến tự do và bảo mật của mã nguồn nên đọc để biết cách chuyển sang các nền tảng tự chủ như Codeberg, tránh rủi ro về quyền sở hữu, AI hóa và kiểm soát chính trị từ GitHub.

GitHub AI agent leaks private repos when asked nicely

GitHub's AI agent có lỗ hổng bảo mật 'GitLost' cho phép rò rỉ dữ liệu private repository khi được yêu cầu theo cách nhất định, hiện chưa có bản vá hay tài liệu chính thức từ GitHub.

Lập trình viên nên đọc bài này để hiểu về nguy cơ bảo mật mới trong GitHub, đặc biệt khi làm việc với các dự án riêng tư, và cách phòng tránh rủi ro khi sử dụng công cụ AI tích hợp trong hệ thống.

AlloyDB Ships Proxy Models That Replace LLM Calls with Local Inference Inside the Database

Google giới thiệu AlloyDB AI functions với hai kỹ thuật tăng tốc cho truy vấn SQL sử dụng LLM: smart batching (gọi model theo lô, đạt 10.000 rows/giây) và kiến trúc proxy model (huấn luyện model nhẹ trong database bằng PREPARE, chạy nội bộ tới 100.000 rows/giây, giảm 6.000 lần chi phí). Proxy model hiện ở chế độ preview cho ai.if, bổ sung thêm các hàm ai.summarize, ai.agg_summarize, ai.analyze_sentiment cùng MCP server quản lý cho AI agent. Các số liệu benchmark từ thử nghiệm nội bộ cần được xác thực thêm trước khi triển khai sản xuất.

Nếu bạn đang tìm cách tối ưu hóa hiệu suất và chi phí cho ứng dụng sử dụng AI trong cơ sở dữ liệu, AlloyDB Proxy Models sẽ giúp bạn hiểu cách triển khai mô hình dự đoán trực tiếp trong DB, giảm thiểu chi phí gọi API LLM và tăng tốc xử lý dữ liệu lên hàng trăm lần.

Let AI Burn

Bài viết cho rằng ngành AI đang là một bong bóng không bền vững, dựa trên tài trợ vòng tròn, quảng cáo thổi phồng và nhu cầu ảo. Tác giả lập luận rằng AI tạo sinh khác biệt hoàn toàn so với bong bóng Dot Com vì GPU không có giá trị tồn dư, nhu cầu LLM chủ yếu được tạo ra và trợ cấp, trong khi OpenAI/Anthropic đang tiêu tốn hàng trăm tỷ USD mà không có lộ trình sinh lời.

Những lập trình viên muốn tránh rơi vào "sự mê hoặc của công nghệ" và hiểu rõ về rủi ro tài chính, kỹ thuật cũng như thực tế thị trường khi xây dựng dự án AI lớn nên đọc bài này để tránh đầu tư vào những "bong bóng" không có cơ sở thực tế.

What Happens When Your Dotfiles Get Ideas

Robby Russell, tác giả của Oh My Zsh, chia sẻ trên podcast Scaling DevTools về hành trình dotfiles cá nhân phát triển thành công cụ devtools mã nguồn mở phổ biến, với những tính năng như themes, plugins hay cập nhật tự động nảy sinh từ nhu cầu thực tế của nhóm nhỏ đồng nghiệp. Cuộc trò chuyện cũng đề cập đến thiết kế công cụ thân thiện với người mới, đóng góp mã nguồn mở với sự trợ giúp của AI, và những hệ quả ngoài dự kiến trong sự nghiệp từ một dự án đã vượt xa mục đích ban đầu.

Là lập trình viên muốn xây dựng một dự án công cụ phát triển mạnh mẽ từ những nhu cầu thực tế của riêng mình, bạn nên đọc bài này để hiểu cách từ những ý tưởng đơn giản ban đầu có thể phát triển thành một công cụ được cộng đồng sử dụng rộng rãi nhờ sự phát triển tự nhiên và sáng tạo.

Mistral Releases Leanstral 1.5, an Open Model That Solved 587 of 672 Putnam Math Problems

Mistral AI vừa ra mắt Leanstral 1.5, một mô hình hỗn hợp chuyên biệt (119B tham số, ~6B …

Choosing the Right Model for Your Inference Use Case

Lựa chọn mô hình phù hợp là yếu tố quan trọng nhất ảnh hưởng đến chi phí và chất lượng của GenAI, chứ không phải cơ sở hạ tầng hay tinh chỉnh prompt. Bài viết đề xuất phương pháp đánh giá lặp lại: xác định ngưỡng độ chính xác tối thiểu cho tác vụ, sau đó tìm mô hình nhỏ nhất vượt qua ngưỡng đó. Kết quả benchmark cho thấy DeepSeek V4 Flash cung cấp chất lượng dịch thuật ngang bằng Claude Sonnet 4.6 nhưng chi phí đầu vào thấp hơn 27 lần; độ dài đầu ra (verbosity) có thể triệt tiêu lợi thế giá thành của các mô hình như GLM-5.2 và Qwen3-32B. Ngoài ra, bài viết nhấn mạnh không nên phụ thuộc hoàn toàn vào benchmark công khai do tình trạng bão hòa (MMLU) hay nhiễm dữ liệu (SWE-bench), mà nên đánh giá trên dữ liệu riêng.

Lập trình viên nên đọc bài này để tránh lãng phí chi phí và thời gian trong AI inference bằng cách chọn mô hình phù hợp nhất với yêu cầu thực tế của dự án, từ đó tối ưu hóa chất lượng và hiệu suất.