Scion
PulseAugur coverage of Scion — every cluster mentioning Scion across labs, papers, and developer communities, ranked by signal.
- 2026-10-23 product_launch Anthropic developed and deployed Scion, a custom version control system, to manage its monorepo. 来源
- 2026-10-22 product_launch Anthropic developed and implemented Scion, a custom version control system, to manage the large-scale changes generated by its AI coding agents. 来源
- 2026-10-15 product_launch Anthropic developed the Scion system to manage a large volume of AI agent commits. 来源
- 2026-10-14 product_launch Anthropic developed and implemented its own source control system, Scion, to manage high-volume code changes from its AI model Claude. 来源
- 2026-10-14 product_launch Anthropic has replaced Git with its custom system, Scion, to manage its codebase. 来源
- 2026-10-14 product_launch Anthropic replaced its use of Git with its internally developed version control system, Scion, to handle a massive increase in AI-generated code merges. 来源
- 2026-10-14 product_launch Anthropic replaced its Git version control system with a custom-built system called Scion. 来源
- 2026-10-14 product_launch Anthropic developed and deployed Scion, a custom version control system, to replace Git for its internal code management. 来源
- 2026-10-13 product_launch Anthropic launched Scion, a new in-house source control system, to handle a massive increase in code merges driven by AI models. 来源
- 2026-10-13 product_launch Anthropic launched Scion, a new in-house source control system, to manage its rapidly increasing code development. 来源
12 天有情绪数据
Scion's performance metrics to become key industry benchmarks
The cluster evidence repeatedly highlights Scion's ability to handle over 30,000 daily merges, a significant leap from Git's previous capacity for Anthropic. This suggests that Scion's performance in terms of merge speed, scalability, and efficiency for AI-driven workflows could become a critical benchmark against which future version control systems and development infrastructure are measured.
Scion adoption by other large AI labs within 12 months
Anthropic's successful migration from Git to Scion, driven by AI-generated code scaling challenges, suggests a potential blueprint for other large AI research organizations. Given the similar pressures faced by entities like Google DeepMind, Meta AI, and OpenAI, it's plausible that at least one of these labs will begin evaluating or adopting Scion, or a similar custom solution, within the next year to manage their own development bottlenecks.
Anthropic to open-source or commercialize Scion within 18 months
Having invested significant resources (a seven-person team over five months) into developing Scion to solve a critical scaling problem, Anthropic may consider either open-sourcing the technology to foster community adoption and contributions, or commercializing it as a product. This would allow them to recoup development costs and potentially establish a new standard in AI-focused version control.
-
Anthropic 将 Monorepo 迁移出 Git，采用定制的 Scion 系统
Anthropic 已将其 Monorepo 从 Git 迁移到一个名为 Scion 的定制版本控制系统。此举是由于每日代码合并量从 2,500 大幅增加到 30,000。该公司开发了 Scion 来处理这种规模的操作，表明需要专门的基础设施来支持其快速开发步伐。
-
Anthropic 用定制的 Scion 取代 Git 来开发 AI 代理
Anthropic 已用一个名为 Scion 的定制版本控制系统取代 Git 来开发其 AI 编码代理。Scion 旨在处理 AI 代理产生的海量变更，每日在其单体仓库中合并多达 30,000 项变更。此举凸显了 AI 开发对软件工程工具提出的独特要求。
-
Anthropic 用 Scion 取代 Git 来处理 AI 生成的代码；GitHub 加强安全性
Anthropic 开发了一个名为 Scion 的新版本控制系统，以应对其 AI 模型生成的大量代码，取代了 Git 等传统工具。此举解决了 Git 在处理频繁的自动化代码更改时出现的性能和成本问题。另外，GitHub 正在通过使用微调的 ModernBERT 模型进行密钥扫描来加强其安全性，而不是使用通用 LLM，研究人员正在探索将大型模拟数据转换为 AI 代理可查询格式的方法，例如在芯片验证中使用 SQLite。
-
Anthropic 的 Scion 转变：回顾 Google 的提交量
文章讨论了 Anthropic 从 Git 迁移到 Scion 的举动，并将其与 Google 在 2015 年每日提交量进行类比。文章认为，这一转变可能代表着一种更广泛的趋势，或者是在大规模开发管理方式上的重大变革。作者暗示，Anthropic 选择的意义可能被低估或误解了。
-
OpenAI 洽谈复活 Sora，可能收购 Scion
据报道，OpenAI 正在与潜在联合创始人（包括 Jeffrey Katzenberg）进行讨论，以通过一家新成立的初创公司复活其 Sora 视频生成模型。此外，据称 OpenAI 正在与一家专门从事椭圆曲线密码学的公司 Scion 进行早期收购洽谈。
-
新AI代理编码方法BlastLoop公布；Anthropic的Scion面临抄袭指控
Hacker News上介绍了一种名为BlastLoop的新型AI代理编码方法。另外，有指控称Anthropic的Scion项目可能侵犯了Mononoke项目。
-
微软详解AI预训练，AI辅助硬件破解，并确立法律先例
微软AI正在详解其前沿预训练方法，重点关注代币效率和利用合成数据克服数据限制。另外，AI正被用于通过分析汇编和电路模式来逆向工程硬件，这可能影响安全模型。在法律新闻方面，丹麦最高法院已裁定AI生成的儿童性虐待材料在法律上等同于真实的CSAM，确立了国际先例。此外，Anthropic的内部源代码控制系统Scion因其先进的架构而受到关注，西蒙斯基金会正投资1500万美元将AI整合到数学研究中。
-
Anthropic 的 Scion、新前沿模型及 AI 安全担忧详述
Zvi Mowshowitz 的最新 AI 通讯涵盖了多项重要进展，包括 Anthropic 的内部代码管理系统 Scion，以及 Google 的 Gemini 4 Argon 和 Meta 的 Muse Wonder 等新前沿模型的发布。该通讯还涉及安全问题，例如一名员工在 OpenAI 植入 bug 以及 ChatGPT 生成的 Google Chrome 漏洞利用。此外，它还讨论了 AI 安全、AI 监管格局的变化以及 AI …
-
Anthropic 的 Scion 系统每天处理 30,000 次 AI 代理提交
Anthropic 开发了一个名为 Scion 的新系统，旨在管理大量 AI 代理的每日提交，具体来说，每天处理 30,000 次提交。该解决方案解决了 Git 传统分布式模型在面对 AI 驱动开发规模时的局限性。Scion 利用派生数据架构来实现这种可扩展性。
-
Anthropic的Scion被指控故意抄袭《幽灵公主》设计
Anthropic的新版本控制系统Scion被指控故意抄袭了早期由Meta工程师开发的系统Mononoke的设计和数据模型。原始Mononoke系统的作者声称，Scion的相似之处超出了表面上的相似，延伸到了核心概念和术语。虽然抄袭好的想法是可以接受的，但未能恰当地归功于Mononoke的贡献被视为一个重大的道德问题，尤其是在AI工具越来越多地协助系统设计的情况下。
-
Anthropic 构建 Scion 以应对 AI 驱动开发瓶颈
Anthropic 开发了一个名为 Scion 的内部版本控制系统，以应对 AI 驱动软件开发日益增长的需求。该公司发现，AI 带来的快速代码生成将工程瓶颈转移到了源代码控制、持续集成/持续部署 (CI/CD)、测试和代码审查等领域。这凸显了对可扩展基础设施的需求，以跟上不断发展的软件开发方法。
-
Anthropic 因扩展挑战从 Git 迁移到 Scion
当 Anthropic 的每日合并量从 2,500 次激增至 30,000 次以上时，遇到了显著的 Git 扩展问题。为解决此问题，该公司在五个月内过渡到一个名为 Scion 的新系统。文章重点介绍了随着公司运营规模的扩大，对 Anthropic 而言变得至关重要的关键指标。
-
Anthropic 为 Claude 的代码更改替换 Git，启用自研 Scion 系统
Anthropic 开发了一个名为 Scion 的新源代码管理系统，用于管理其 AI 模型 Claude 生成的海量代码更改。该系统之所以被创建，是因为传统的 Git 系统无法应对代码修改的快速节奏，据报道每天多达 30,000 次更改。Scion 旨在为 AI 驱动的开发工作流程提供显著的更快和更高效的解决方案。
-
Anthropic 因 AI 代码激增用定制 Scion 系统取代 Git · 追踪 8 个来源
Anthropic 已用其内部开发的 Scion 系统取代了广泛使用的 Git 版本控制系统。此举的起因是代码合并量呈指数级增长，每日超过 30,000 次，这主要归因于其 Claude 模型生成的 AI 代码。该公司发现，为人类规模使用而构建的传统开发人员基础设施，在 AI 代理开始以更快的速度编写代码时成为了瓶颈。Scion 专为这一新范式设计，在 CI 和研究签出等领域提供了显著的性能改进。
-
Anthropic 用 Scion 取代 Git 来管理 AI 驱动的代码激增 · 跟踪 8 个来源
Anthropic 开发了一个名为 Scion 的新内部源代码管理系统，以应对其 AI 模型（尤其是 Claude）驱动的代码更改量的大幅增加。该公司每日代码合并量从 2,500 次激增至 30,000 多次，超出了 Git 等传统系统的处理能力。Scion 是一个为始终在线的代理设计的集中式系统，解决了 Git 分布式、以离线为中心模型的局限性。除了 Scion，Anthropic 还创建了一个名为 Antique 的新代码审查系统…
-
SCION模型在无预训练的情况下整合了生成式和自监督学习
研究人员开发了SCION，一种新颖的模型，它在不需要预训练或外部标签的情况下整合了生成式和自监督学习。这种方法允许SCION根据其自身学习到的表示来生成图像，克服了依赖类别标签或独立预训练编码器的模型的局限性。SCION在ImageNet上取得了有竞争力的性能，证明了其在生成高质量图像的同时学习鲁棒语义表示的有效性。
-
Fireworks AI 提供开源指南，用于训练 Jev 风格的分类器
Fireworks AI 发布了一份开源指南，详细介绍了如何使用其平台训练 Jev 风格的决策分类器。该过程涉及使用标准的监督微调 (SFT) 和公共数据集对一个 9B 参数模型进行微调，并通过两种特定技术进行增强。这种方法允许开发人员创建自己的分类器，而无需通常与前沿人工智能实验室相关的广泛资源。
-
用户在 Fireworks AI 平台上构建 Jev 式分类器
一位用户分享了他们在 Fireworks AI 平台上创建 Jev 式分类器的经验，灵感来自 nutlope 的帖子。用户详细介绍了他们微调一个代号为 Scion 的分类器的过程，并对基于 LLM 的分类器日益增长的兴趣表示赞赏。
-
SCION 引入可复用基元以实现高效神经场景表示
研究人员开发了 SCION，一种新颖的层次化组合场景表示方法，它利用紧凑的可复用基元和实例词汇来表示复杂场景。与之前将每个元素视为独一无二的方法不同，SCION 识别并复用通用组件，显著减少了参数冗余并便于操作。这种方法能够以现有方法存储大小的一小部分实现高质量场景表示，从而无需重新训练即可进行实例级编辑和动画。
-
AF-Muon 优化器取代 AdamW 用于绑定嵌入模型，节省内存
研究人员开发了 AF-Muon，一种无需在绑定嵌入模型中使用 AdamW 的优化器，可能节省约 20% 的优化器状态内存。这种新方法在隐藏权重矩阵上保持了 Muon 的谱范数最陡下降更新，同时为绑定词汇表采用了支持感知线性最小化。AF-Muon 在包括语言模型、图像模型和蛋白质序列在内的各种模型架构和数据模态中，以最小的开销展示了平均验证损失和困惑度的稳健改进。