GitHub Copilot app 可通过 /create-canvas 技能生成用户与 AI 智能体共享的自定义界面，无需手动编码或设计。创建时需说明工作流、用户可执行的操作及智能体可执行的操作，随后可继续调整界面，并将其保存为项目共享或个人使用的扩展。双方操作会即时更新共享状态，无需单独发送或同步；也可从 Awesome Copilot 安装社区提供的 canvas 扩展后再定制。
推荐理由：将工作流、用户可操作项和智能体可操作项分别写清，是这篇教程提供的可迁移方法，有助于把界面需求转成明确的协作边界。
GitHub Copilot 应用中的 canvas 可构建任务专用界面，Burke Holland 用实例说明何时应以它替代聊天交互。canvas 是运行于应用内的全栈小程序，可与 Copilot 智能体双向通信、调用第三方 API 并在本机执行代码，文中展示了四子棋、Winget 包管理和 SQLite 操作等用途。
推荐理由：把重复操作从聊天转为智能体生成的专用界面，为减少反复调用模型及按需设置开发流程中的人工审查节点提供了具体思路。
GitHub Security Lab 展示了 Fuzzing Taskflow 的运行方法与架构，用智能体自动完成 C/C++ 项目的测试入口识别、测试驱动代码编写、覆盖率改进和崩溃分析。
GitHub Copilot 应用重构拉取请求视图，让庞大的代码差异与审查讨论仍能流畅渲染。团队以包含 2,200 个文件、超过百万行变更和超过 400 条行内审查评论的开源拉取请求进行测试。方案保留代码行虚拟化，将固定代码高度与动态评论高度分开计算，通过延迟测量及锚定修正减少滚动跳动。
Google Research 推出 C++ 实例生成器 MilleMiglia，为中段物流配送问题生成逼真且保护隐私的基准数据。它旨在弥补该领域公共高质量数据的缺口，支持配送中心间货物流转的优化研究。源代码和文档已在 GitHub 上公开。
GitHub 使用 Copilot app 和 CLI 将 Copilot 智能体运行时从 TypeScript 迁移至 Rust，主要由一名开发者监督智能体在几个月内完成。
推荐理由：按组件原位替换、持续测试与人工合并把关的迁移实践，为在持续迭代的代码库中组织智能体重写提供了可迁移的方法。
GitHub 日韩营销负责人 Tomoko Tanaka 用 GitHub Copilot、Issue 和 Actions，将活动筹备、报名筛查与会后跟进串成自动化流程。
推荐理由：把业务手册转成结构化输入与可审查的技能文件，为跨工具重复工作提供了可迁移路径，同时保留人工确认和试运行机制。
GitHub Copilot app 可通过内置 diff、终端和浏览器面板，在应用内完成智能体代码的审查、运行与预览。diff 面板展示增删改动并支持接受改动、评论或要求修改；终端支持手动运行命令，也可配置通过 Run 按钮执行的脚本，例如运行 npm run dev。浏览器面板可测试界面，并通过 Pick & Polish 选择元素与智能体一起调整，确认功能后可直接接受改动并创建拉取请求。
GitHub 推出 Project HydraFusion 研究预览，在 GitHub Copilot CLI 中按任务动态选择模型与执行流程，面向所有 Copilot 套餐开放。
推荐理由：三组离线评测同时列出质量差异与完整工作流成本，为比较多模型编排和单一强模型的质量成本取舍提供了具体依据。
GitHub Copilot app 可通过会话视图管理多个并行智能体任务，每个会话可在自己的 Git worktree 中运行，彼此隔离。各会话保留独立上下文，切换后无需重新说明任务，会话卡片显示任务标题和进度。教程以 tailspin-toys 仓库为例，演示同时开展 funded sort 功能开发、无障碍审查和测试，并在任务完成后逐一查看结果。
Google Research 推出 TimesFM-3，原生支持零样本多变量时间序列预测，无需任务专用微调即可通过单次前向传播预测整个未来区间。模型支持多目标、历史协变量及已知未来协变量，官方评测显示其在 Gift-Eval、FEV-Bench 和 Time 上的点预测与概率预测指标均位居参评预训练基础模型之首。
Google Research 在 GitHub 以 Apache 2.0 许可开源水文建模框架，让研究人员和预报机构使用驱动 Flood Hub 的模型架构训练洪水预报模型。
推荐理由：框架允许气象水文机构保留数据控制权并融入本地资料，已有业务平台的适配案例为接入现有洪水预警流程提供了参考。
Mistral 在收购 Emmi AI 后加大基础 Physics AI 研究投入，面向航空航天、汽车、半导体和能源等行业。其 AB-UPT 可在单个 GPU 上处理含 9M 表面单元和 140M 体积单元的原始几何，无需重新划分网格；NeuralDEM 支持流化床反应器等工业过程的实时仿真。
Google Research 的研究发现，AI 基准每项仅用 1、3 或 5 名评分者往往不足，可靠评估通常需要每项超过 10 名评分者。