OpenAI Group PBC今日宣布计划收购Astral Software Inc.,这是一家拥有广泛使用的Python开发工具集的初创公司。
交易条款未披露。
Astral的开发工具使用Rust编程语言编写,这种语言比Python更复杂但速度显著更快。因此,该初创公司表示其软件性能比竞争产品高10到100倍。这种速度优势和其他特定功能帮助Astral建立了数百万开发者的用户基础。
该公司的旗舰工具uv是一个Python包管理器。它使开发者能够下载开源Python代码组件或包,并将其集成到软件项目中。内置缓存功能会在初次安装后保存代码组件,这样开发者就不需要重复下载同一个包,从而节省时间。
软件团队还可以使用uv来简化某些相关任务。该软件可以自动化一些简单重复的工作,比如查看应用程序使用的包以及将Python语言实现升级到最新版本。
Astral的另外两个开源工具旨在帮助开发者检测代码质量问题。
第一个工具Ruff是一个代码检查器,这是一种专门用于发现小编程错误的调试器。例如,它可以检测代码片段是否不符合公司的样式或格式化最佳实践。Ruff会为发现的问题生成修复建议。
Astral还提供ty工具,这是一个更加专业的调试工具。当开发者编写处理数据的Python代码片段时,他们必须添加指定正在处理的数据类型的关键词。软件团队可以使用ty来查找关键词不准确的代码片段。如果不解决这些不一致问题,可能会导致应用程序错误。
OpenAI今日表示,收购后将继续维护Astral的开源工具。这家ChatGPT开发商计划将这些工具与其Codex编程助手集成。Astral团队将加入OpenAI支持开发工作。
除了增强Codex功能外,此次收购还可能帮助公司创造新的收入来源。Astral的网站显示正在开发一款名为pyx的付费产品。这是一个基于云的Python包注册表,类似于应用商店,软件团队可以用来存储应用程序构建模块。该服务特别适合托管预配置版本的人工智能框架(如PyTorch)等项目。
Astral创始人兼首席执行官查理·马什在博客文章中写道:"加入Codex团队后,我们将继续构建开源工具,探索如何让它们与Codex更无缝协作,并扩大影响范围,更广泛地思考软件开发的未来。"
这笔交易发生在OpenAI竞争对手Anthropic PBC收购开发工具初创公司四个月后。总部位于旧金山的Bun公司创建了一个用于构建和测试JavaScript应用程序的开源平台。此外,该软件还包括与Astral的uv功能相似的包管理器。Anthropic在收购时表示,Bun将帮助增强Claude Codex。
Q&A
Q1:Astral公司开发了哪些主要工具?
A:Astral开发了三款主要的开源工具:uv是Python包管理器,能下载和管理代码组件;Ruff是代码检查器,用于发现编程错误和格式问题;ty是专业调试工具,用于检测Python代码中数据类型关键词的准确性。
Q2:OpenAI收购Astral后会如何处理这些开源工具?
A:OpenAI表示将继续维护Astral的开源工具,并计划将它们与Codex编程助手集成。Astral团队将加入OpenAI的Codex团队,继续构建开源工具并探索与Codex的无缝协作。
Q3:Astral工具相比其他产品有什么优势?
A:Astral的工具使用Rust编程语言编写,比Python更快,因此其软件性能比竞争产品高10到100倍。这种速度优势和其他特定功能帮助Astral建立了数百万开发者的用户基础。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。