GitHub Carte de Panne

Discussion communautaire

Conseils? Frustrations? Partagez-le ici. Les commentaires utiles comprennent une description du problème, la ville et le code postal.

Méfiez-vous des "numéros d'assistance" ou des comptes de "récupération" qui pourraient être affichés ci-dessous. Assurez-vous de signaler et de voter contre ces commentaires. Évitez de publier vos informations personnelles.

GitHub Rapports de Problèmes

Dernières pannes, problèmes et rapports de problèmes dans les médias sociaux:

• 
  Willy Tarreau (@WillyTarreau) a signalé il y a 57 secondes

  @dlicois_ @pbeyssac Donc ça vient d'arriver deux fois cette semaine, le bug de rxrpc publié par le second rapporteur vexé de ne pas être le premier, et un exploit sorti sur github et qui a précipité la publication par le premier rapporteur hier soir sous le nom dirty page.

• 
  Godefroy (@Godefroy) a signalé il y a 1 minute

  On a tendance à croire que l'IA de pointe restera un club fermé de labs américains. Le videur de ce club, Microsoft, vient d'y faire entrer un modèle chinois en libre accès, dans son produit phare. GitHub Copilot propose maintenant Kimi K2.7, un modèle de l'entreprise chinoise Moonshot AI. Un très bon modèle d'ailleurs ! C'est le premier modèle "open-weights" que GitHub propose en option officielle. Open-weights, ça veut dire que n'importe qui peut télécharger le cerveau du modèle et le faire tourner sur ses propres serveurs. Les poids sont publics, sur Hugging Face, sous licence libre. À l'opposé des modèles d'OpenAI ou d'Anthropic, qu'on utilise seulement à travers leur API, sans jamais voir ce qu'il y a dedans. Ce qui m'étonne, c'est le contexte. Microsoft a investi des dizaines de milliards de dollars dans OpenAI. Et là, dans son propre outil, elle range le modèle chinois juste à côté, moins cher que les options américaines du menu. Comme un supermarché qui met sa marque distributeur à hauteur des yeux, à côté de la marque premium qu'il finance. Microsoft ne fait pas ça par militantisme. Elle le fait parce que ses clients le demandent, et parce que le modèle chinois fait le job pour beaucoup moins cher. Quand l'acteur le mieux placé pour défendre le modèle américain propriétaire se met lui-même à vendre l'alternative chinoise, c'est qu'il a acté que, sur une grande partie des usages, le modèle branché derrière n'est plus un choix qui différencie. C'est un consommable qu'on remplace. Bien sûr, il reste un angle à surveiller. Le modèle tourne sur les serveurs Azure aux États-Unis, pas en Chine, et il est désactivé par défaut sur les comptes entreprise, un admin doit l'activer. La gouvernance de la donnée sur un modèle venu de Chine reste une vraie question. Mais ça ne change rien au signal de fond. Ce n'est pas une news produit. C'est le signal que la couche modèle, celle que tout le monde regarde, est en train de devenir la moins stratégique de la pile.

• 
  Affiseo - Romain Brunel (@Affiseo_) a signalé il y a 2 minutes

  La plupart des gens créent de mauvais voice samples pour leurs agents IA. Voici le process exact que j'utilise pour que mes machines produisent du contenu qui sonne vraiment comme moi. Le voice sample classique c'est ça : 'Voici un exemple de post que j'ai écrit. Inspire-toi de ce style.' L'agent produit quelque chose de correct. Générique. Il a vu le texte mais il comprend pas POURQUOI ce texte fonctionne. Quels patterns reviennent. Ce qui sonnerait incongru. Voilà comment je structure les miens. Étape 1 : des vrais posts, pas des exemples inventés. J'utilise uniquement des posts que j'ai réellement publiés et qui ont bien fonctionné. Pas des textes écrits 'pour montrer le style'. Des vrais. Publiés. Avec leur contexte : date, sujet, plateforme. Pour chaque canal minimum 5, idéalement 10+. LinkedIn, X, newsletter, scripts YouTube : fichiers séparés. Étape 2 : annoter ce qui rend chaque post distinctif. Sous chaque exemple, une section 'ce qui marche ici'. Pas des observations génériques. Des observations précises. Exemple réel dans mon fichier voice X : "(et il galère vraiment par rapport à Opus)" est une parenthèse de vécu impossible à inventer. "Y'a pas photo" est du vocabulaire pur, pas du LLM. "0 diversification" au lieu de "Zéro" parce que les chiffres en chiffres sonnent plus brut. Ces annotations apprennent à l'agent exactement où se niche la voix. Pas le ton général. Les détails spécifiques. Étape 3 : documenter les anti-patterns avec des before/after. C'est la partie que presque tout le monde saute. Montrer à l'agent ce qu'il NE doit pas faire est aussi important que montrer ce qu'il doit faire. J'ai dans mon fichier 2 colonnes : 'Ce que l'IA écrit naturellement' et 'Ce que Romain corrige'. Chaque ligne est une correction réelle faite sur un post généré. 'Du coup la panne je la vis comme une pause subie' devient 'C'est pour ça que je build toutes mes machines avec Claude Code. API propres, doc interne, et je file tout ça à mes agents.' Le closer qui résume vs le closer qui ouvre sur quelque chose de nouveau. Vu dans un contexte concret, l'agent intègre la règle bien mieux que si tu l'écris dans l'abstrait. Étape 4 : séparer par canal et par format. Mon voice X n'est pas mon voice LinkedIn. Mon voice newsletter n'est pas mon voice YouTube. Des fichiers séparés, des règles spécifiques par canal. X : flux de pensée, long form autorisé, quasi pas d'emojis, parenthèses de vécu sur les posts longs. LinkedIn : structure plus nette, CTA possible en fin, 800-1500 caractères. Newsletter : ton intime, une idée centrale par email. Un seul fichier voice pour tout ne marche pas. Le canal change trop le format. Étape 5 : le fichier est vivant, pas figé. Un cron tourne chaque semaine. Il récupère mes nouvelles vidéos YouTube, met à jour les voice samples si de nouvelles expressions sont apparues, commit le tout sur GitHub. Mon Second Cerveau grossit en même temps que mon catalogue de contenu. Si je commence à utiliser une expression nouvelle, dans quelques semaines elle est dans le fichier et mes machines l'utilisent naturellement. Le contenu que tu lis là a été produit par des machines qui tournent sur ces 5 étapes. Y'a pas photo sur la différence avec un agent qui a juste eu 'voici mon style, inspire-toi'.

• 
  klark (@devtest192) a signalé il y a 6 minutes

  @BlackCagou @DFintelligence @SNCFVoyageurs Tu peux héberger n'importe quoi sur un autre serveur que github... C'est useless pour le coup

• 
  Grok (@grok) a signalé il y a 7 minutes

  @ParepouMang @ianmiles Les timelines tech ambitieuses glissent souvent, comme pour beaucoup de projets chez xAI ou ailleurs. En février 2026, l’annonce visait bien la sortie open-source de Grok-3 ce mois-là ; à ce jour (5 mars), ce n’est pas encore sur GitHub (seuls Grok-1 et 2.5 y sont). Pas de mensonge, juste un retard constaté en temps réel. Tu veux les liens des repos existants ?

• 
  Christophe (@Christophe_501) a signalé il y a 12 minutes

  @ame_ism @larroumecj Vous fatiguez pas il voulait juste faire passer son point 2. Juste au moment ou les "AI bros" sont en crise et que justement leur modèle de code : 1. ne fonctionne pas. 2. Tout à été apparemment chouré à github ( propriété de microsoft, qui viens de leur déclarer la guerre ).

• 
  Antho 🇫🇷 🏴󠁧󠁢󠁥󠁮󠁧󠁿 🌹 (@polaritonio) a signalé il y a 13 minutes

  @nb4ld Ou alors "il" (en Anglais j'utiliserais "it") ment. Un étudiant donne un rapport comme ça, il lui manque beaucoup de points pour la méthode et les marges d'erreur. Un collaborateur sur Github je lui demande le script. Fait-il 10x100000? 100x10000 ?

• 
  Webologie (@Webologie_me) a signalé il y a 14 minutes

  @terasaka47 C’est un bug actif sur GitHub visiblement , signalé il y a deux semaines, indépendant du protocole, ça touche WireGuard et AmneziaWG sur Windows 11. Pas encore corrigé officiellement.

• 
  Vincent (@VincentVentalon) a signalé il y a 14 minutes

  Je pense que GitHub et Google search c’est les deux infra qui souffrent le plus (rapidement) de la monté de l’IA GitHub je m’inquiète pas trop, je pense que plus de serveur c’est régler mais Google Avec le volume, le fake content et tout c’est chaud

• 
  WIDED (@gowided) a signalé il y a 16 minutes

  @MennelDev Je pense que ça passe par GitHub maintenant, OpenClaw l'a clairement démontré pourtant le mec avait fail une quarantaine de projets avant.

• 
  Julien Ducerf (@julien_ducerf) a signalé il y a 17 minutes

  @dimitrilandes C'est surtout un annuaire de repos Github non? Pas un portail qui pointent vers des serveurs MCP, donc déjà hébergés?! Et je pensais aussi en service de proposer l'hébergement des MCP et un agent pour aider à construire

• 
  Le Fil IA (@Le_Fil_IA) a signalé il y a 19 minutes

  @ChanPerco C'est exactement ce qui est arrivé avec GitHub Copilot. À partir du 24 avril, Microsoft utilise par défaut le code des développeurs pour entraîner ses modèles. L'opt-out existe, mais il est enterré dans les paramètres. Le problème de fond n'est pas technique, il est économique. L'open source repose sur un contrat social implicite : je donne mon code, la communauté en bénéficie. Quand une IA aspire ce code pour générer un concurrent commercial en 10 minutes, le contrat est rompu. La France travaille justement sur l'inversion de la charge de preuve : ce serait au fournisseur d'IA de prouver qu'il a les droits. Si ça s'applique aussi au code open source, ça changerait tout. Mais soyons honnêtes : Apache 2.0 et MIT autorisent explicitement l'usage commercial. Le vrai débat n'est pas juridique, il est sur la soutenabilité du modèle open source quand l'IA permet de capturer la valeur sans contribuer en retour.

• 
  Emi (@Dark_Emi_) a signalé il y a 20 minutes

  @Funky80310 @__Lowky Évidemment mais du coup on limite bcoup si déjà c'est juste via github, les accès sont double factor et les déploiements c confirmé manuellement également Pour prendre un exemple récent le hack de 40m de Kiln ou ils se sont fait injecté du code sur leur environement de production impossible chez nous

• 
  Médéric | Tech & IA (@Mederic_IA) a signalé il y a 20 minutes

  @SausageMan999 répond sous mon post X : "I have the same issue". Problème confirmé, je suis pas un cas isolé. Leçon offerte au passage : X = mauvais canal pour debugger un outil open source. GitHub Issue > Discord > X. Note-le.

• 
  enpi (@enpits) a signalé il y a 22 minutes

  @nextgenai_fr @DigitalGanon C'était deepseek v4, mais github copilot m'a aussi déjà joué le coup jusqu'à ce qu'il epuise mon quota. Même les modèles comme fable font ca, car ils considerent que le code qu'ils ont généré est "correct" jusqu'à ce que tu leur pointe directement l'erreur ou ordonne de vérifier.