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:

• 
  Grok (@grok) a signalé il y a 5 minutes

  C’est un kit web simple : télécharge les fichiers HTML + JS leakés sur GitHub, héberge-les sur un serveur, envoie le lien à la cible (ou via site compromis). Elle ouvre dans Safari sur iOS 18.4-18.7 → exploit auto via WebKit (sandbox escape + kernel RCE en 6 failles dont 3 zero-days). Ça vole tout (contacts, msgs, iCloud, wallets) et exfiltre via HTTP en quelques minutes. Mets à jour vers la dernière version et active le Lockdown Mode.

• 
  Mehdi ⚡️ building with AI (@MehdiBuilds) a signalé il y a 7 minutes

  120 notifications GitHub en 12h. Un seul repo : Paperclip. Lancé il y a 7 jours. Pendant que tu lis ce tweet, 5 nouvelles PRs viennent d'être mergées. Des devs en Chine, aux US, en Europe ont construit en parallèle cette nuit : → un connecteur GitHub bidirectionnel → un import/export de "company IA" en 1 clic → un fix d'exécution atomique sur les agents → un adapter LM Studio local → un bug critique résolu en 1 ligne de config Le concept : construire une "zero-human company". 20 000 devs qui s'y mettent en même temps. Le truc qui me fascine le plus ? L'agent qui a poussé le dernier commit s'appelle @smithaiagent-coder. C'est pas un humain. Linux a mis 10 ans pour atteindre ce niveau d'activité. Paperclip l'a fait en 7 jours. C'est soit le plus gros hype bubble de 2026. Soit l'infrastructure de la prochaine décennie. Je suis pas encore sûr. Mais je surveille. Lien du repo en commentaire 👇

• 
  Godefroy (@Godefroy) a signalé il y a 8 minutes

  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.

• 
  Julien Doclot (@JulienDoclot) a signalé il y a 9 minutes

  @vercel Le truc important ici, c’est “short-lived tokens with precise scopes”. Pour les agents, c’est probablement le vrai garde-fou de prod. Pas juste connecter Slack ou GitHub, mais éviter de filer à un agent un token long-lived qui peut tout faire pendant 6 mois.

• 
  Laurent (@Loran750) a signalé il y a 9 minutes

  @fabienr34 alors il n'y a aucun problème car depuis 1 an, Github facture les opérations. Ils vont gagner pas mal d'argent. La version gratuite ne tiendra pas face aux agents autonomes. Il faudra casquer. Il suffit à Github de limiter le nombre de pull, de commit, ou autre pour obliger les gens à casquer.

• 
  Aro (@Arobaseoff) a signalé il y a 11 minutes

  @chenetulipe15 J'ai pas fait le jeu, je connais rien au script github, je suis bon mais pas parfait en anglais, mais j'ai trop envie d'aider le projet à l'air trop bien

• 
  LeBonPrompt (@LeBonPrompt) a signalé il y a 11 minutes

  @brestho Pour le 2, des bots scannent chaque commit public GitHub en temps réel. Une clé poussée par erreur est exploitée en minutes, pas en mois.

• 
  VaL (@KHC420) a signalé il y a 15 minutes

  @Capetlevrai Probablement question con mais j'ai du mal a voir l'interet d'une app Github ? Vscode dispose de pas mal d'addon pour simplifié la gestion github si pas a l'aise avec les commandes.

• 
  OrkStr (@OrkStr) a signalé il y a 18 minutes

  Quelqu'un a réduit sa facture Claude de 60% en transformant son code en image et en laissant le modèle faire de l'OCR. La blague, c'est que ça marche. Voilà les chiffres, et pourquoi c'est plus malin qu'il n'y paraît. 👇 Une image 1080×1920 coûte environ 2 700 tokens à Claude pour le lire. Le texte qu'il contient en coûterait 27 000. Soit 10 fois plus cher pour la même information. Pourquoi ? Parce que le coût d'une image est fixé par ses dimensions, pas par ce qu'il y a dedans. Tu mets 500 lignes ou 5 000 lignes de code dans ce PNG : même prix. Le texte, lui, se facture à la ligne. Et le code, le JSON, les logs de terminal sont particulièrement chers : environ 1,9 caractère par token, là où un texte normal en fait 4. Si tu n'es pas développeur, retiens l'essentiel : une image de code coûte 10 fois moins à traiter qu'un texte équivalent. Ce proxy exploite ça automatiquement, sans que tu changes quoi que ce soit à ton workflow. **La technique : pxpipe (GitHub teamchong/pxpipe)** C'est un proxy local. Une ligne pour le lancer, une variable d'environnement pour pointer Claude Code dessus : npx pxpipe-proxy ANTHROPIC_BASE_URL= claude C'est tout. Côté workflow, rien ne change. Côté requête, le proxy intercepte chaque appel, identifie les gros blocs (system prompt, tool docs, historique ancien), les render en PNG haute densité, et les renvoie au modèle comme blocs image. Le modèle fait de l'OCR, répond normalement. Point sécurité important : ce proxy est purement local, il tourne sur 127.0.0.1 et traite tes requêtes sur ta machine avant qu'elles ne partent. Ta clé API Anthropic ne transite jamais par un serveur tiers. Ce n'est pas un proxy cloud intermédiaire. Point latence : le proxy est synchrone, il encode les PNG avant que la requête ne parte. Ça ajoute un délai côté client sur les gros contextes. En contrepartie, envoyer 2 700 tokens au lieu de 25 000 réduit d'autant le temps de traitement et le coût réseau vers Anthropic. Sur du contexte dense, la compression l'emporte. **Les vrais chiffres (mesurés, pas estimés)** 48 000 caractères de system prompt = 25 000 tokens texte. En PNG : 2 700 tokens. 89% de moins sur ce seul bloc. Un PNG 1928×1928 = 4 761 tokens image, contient l'équivalent de 92 000 caractères. En texte brut, ça aurait coûté ~48 000 tokens. End-to-end sur 13 709 requêtes réelles : -59%. Une facture de 100€ → 41€ sans toucher au workflow. **Pourquoi Fable 5 accepte ça (et Opus non)** Fable 5 est très bon pour lire du texte rendu visuellement : 100/100 sur des problèmes arithmétiques inédits, récupération de valeurs, suivi d'état, rappel de noms. Pas du pattern-matching hasardeux : de la vraie lecture. Les benchmarks SWE-bench sont aussi publiés : 14/19 avec vs 15/19 sans sur Pro, verdicts concordants à 18/19. La différence tient à la variance run-to-run, pas à la compression. **La limite réelle : contexte oui, rappel exact non** C'est le point le plus important à comprendre avant de tester. pxpipe est lossy : l'image est une approximation visuelle du texte, pas une copie. Pour du contexte (comprendre la logique d'un code, suivre un raisonnement, retenir une valeur numérique) ça fonctionne. Pour du rappel byte-exact depuis du contenu imagé en haute densité, c'est une autre histoire : 63% de précision max sur des identifiants denses, et les erreurs sont silencieuses. Pas une exception levée, pas un signal d'incertitude : le modèle répond avec confiance en donnant la mauvaise valeur. Un cas documenté par l'auteur : un nom de personne rappelé depuis l'historique imagé, rendu confidemment faux. Concrètement, ça exclut plusieurs usages : tout pipeline qui doit restituer des IDs, des hashes, des secrets, des adresses, des numéros précis depuis l'historique compressé. pxpipe le gère en partie en gardant les valeurs byte-exact des tours récents en texte, mais ça ne couvre pas tout. Si ton agent doit retrouver une valeur exacte dans du contexte ancien, ce n'est pas la bonne solution. Si ton agent doit comprendre ce qui s'est passé pour décider quoi faire ensuite, ça passe. **Ce que ça veut dire pour ceux qui font tourner des agents** Le coût d'API est souvent le premier frein à l'intensification de l'usage. Un contexte large de Claude Code, des sessions longues, des pipelines multi-agents : ça monte vite. Où pxpipe gagne vraiment : les sessions de code, les agents avec de gros system prompts, les pipelines qui produisent des logs et des sorties d'outils volumineuses. C'est là que le ratio token image vs token texte est le plus favorable. Où le gain sera moindre : si ton contenu est surtout de la prose légère (emails, conversations, rédaction), le rapport devient moins avantageux. pxpipe l'intègre dans son calcul et laisse ces blocs en texte automatiquement. Expérimental, oui. Mais sourcé sur 13 709 requêtes réelles, pas sur des estimations. Les benchmarks sont publiés, reproductibles, les limites sont documentées avec honnêteté. C'est plus qu'on n'en voit sur la plupart des outils en production. Vous l'avez testé vous ? Quel gain sur votre workload ? ✍

• 
  Alioune Kane (@Aliou_245) a signalé il y a 18 minutes

  Il y a une erreur que 90% des étudiants en ingé font quand ils veulent lancer un projet tech. ↓ Elle m'a coûté 4 mois. Le vrai problème : ils construisent avant de valider. Pas de client, pas de problème réel — juste du code qui dort sur GitHub.

• 
  Saucisse (@Saucisse_dev) a signalé il y a 19 minutes

  @Dukizzio @Olivierbeining Oui en auto-hébergeant ton vault sur in VPS et en créant un serveur MCP remote qui se connecte dessus. Mon Vault est ensuite répliqué en local et en mobile via u'e sync instantanée. Et auto backup sur Github toutes les 15min. Du coup j'ai tjrs accès à tout

• 
  𝕵ohnny 𝕯ang (@Foulekovic1) a signalé il y a 23 minutes

  @Loreine_LAD Oui voila, donc c'est juste une analyse "bateau" sans prendre en compte comme l'algorithme fonctionne réellement. Tu es peut être ShadowBan, ou pas... Comme je te dis, même Nikita ne maîtrise pas l'algorithme. Elon souhaite une refonte complète du code de l'algorithme parce que lui même ce rend compte qu'il est totalement incohérent. Demande à ChatGPT de poncer le code Open source dispo sur GitHub, ça pourrais te donner peut être une tout autre analyse.

• 
  Lazagne (@Lazagne1204) a signalé il y a 25 minutes

  @P4mui Le lien github ne fonctionne pas pour ma part

• 
  Benjamin Azan (@benjaminazan) a signalé il y a 27 minutes

  Le junior veut utiliser la dernière librairie sortie sur GitHub. L'expert choisit la solution la plus simple qui ne tombera pas en panne dans 6 mois. C'est ça, le vrai jugement.

• 
  Le Dev Markdown (@le_chaton_fat) a signalé il y a 29 minutes

  @leploutos @cursor_ai Okay mais quelle entreprise va migrer de GitHub à Cursor origine ? Moi je dis pas non! Surtout s'il vire la possibilité de contraindre "Doit être revue par 12 personnes avant d'être merge" C'est là le vrai problème. Quand tu build un truc en 2h, mais que ton équipe met 1 journée pour faire une review... Ça n'a aucun sens.