کارکنان GitHub

GitHub بهترین تجربه توسعه‌دهنده در جهان و تنها پلتفرم مبتنی بر هوش مصنوعی است که امنیت در هر مرحله آن گنجانده شده تا با اطمینان نوآوری کنید.

ببینید چگونه یک سال رکوردشکن رشد به هر صنعت، هر حوزه و هر نوع سازنده‌ای در گزارش Octoverse 2026 رسید.

|

|

۲۴ دقیقه

توسعه‌دهندگان در ۱۲ ماه گذشته ۱۷.۹ میلیارد بار کد را به GitHub پوش کرده‌اند؛ بیش از مجموع ۲۰۲۴ و ۲۰۲۵.

پشت این عدد، توسعه‌دهندگانی هستند که چیزی را می‌سازند که به آن علاقه دارند و جامعه‌شان به آن نیاز دارد. در نپال، یک توسعه‌دهنده یک بولتن سیلاب روی GitHub Pages ساخت که اطلاعات تأییدشده درباره جاده‌ها، امداد، آب‌وهوا و برق را ارائه می‌کرد. این پروژه از آن زمان به Gati تبدیل شده است؛ سامانه‌ای نپالی‌محور که هشدارهای رسمی بلایا را بازپخش می‌کند و روی GitHub Pages و Actions اجرا می‌شود. جای دیگر، توسعه‌دهندگان در آزمایشگاه پیش‌رانش جت ناسا (NASA’s Jet Propulsion Laboratory) نرم‌افزاری می‌سازند که برای اجرای برنامه‌ها در فضاپیماها طراحی شده است، و طرفداران یک میان‌افزار متن‌باز ساخته‌اند که به افراد امکان شخصی‌سازی کتاب‌خوان الکترونیکی‌شان را می‌دهد. کنجکاوی، در هر جهت که باشد، در مقیاسی که GitHub تاکنون ندیده است.

این رشد به‌سرعت رخ داد. در میانه سال، فعالیت در GitHub به‌شدت رو به بالا خم شد، درست همان‌طور که عامل‌ها از چیزی که توسعه‌دهندگان امتحان می‌کردند به چیزی تبدیل شدند که در کنار آن کار می‌کردند. توسعه‌دهندگان از میان مدل‌های بیشتری از همیشه انتخاب کردند و در صنایعی ساختند که برای نخستین بار در این گزارش برجسته می‌کنیم، از مراقبت‌های بهداشتی تا کشاورزی.

Octoverse فرصتی است برای عقب‌نشینی و نگاه به تصویر کلی. امسال، این تصویر بزرگ‌تر از همیشه است. این‌ها برجسته‌ترین نکات بودند:

- هوش مصنوعی بیشتر، همه‌چیز بیشتر. در میان مخازن ساخته‌شده در سال جاری، میانگین مخزن دارای فایل پیکربندی عامل هشت برابر میانگین مخزن جدید بدون آن، کامیت ثبت کرده است.

- تا سپتامبر، توسعه‌دهندگان بیش از ۴۰٪ پول‌ریکوئست‌ها را با یک عامل آغاز می‌کنند. در مارس، این رقم ۱۷٪ بود. برای سهم روبه‌رشدی از کار، نخستین حرکت اکنون هدایت یک عامل است و بازبینی روشی است که توسعه‌دهندگان به‌واسطه آن آنچه بازمی‌گردد را شکل می‌دهند.

- توسعه‌دهندگان در انتخاب مدل سریع حرکت می‌کنند. در سپتامبر، ۶۱٪ از کاربران GitHub Copilot از بیش از یک مدل استفاده کردند و درخواست‌ها میان مدل‌های همه‌منظوره، استدلال عمیق و برنامه‌ریزی، و سریع و سبک پخش شد.

- سازندگان از هر حوزه‌ای حاضر می‌شوند. امسال برای نخستین بار، دیدگاه خود از مخازن عمومی را بر اساس صنعت به اشتراک می‌گذاریم. مخازن مرتبط با معدن، ساخت‌وساز، مراقبت‌های بهداشتی و کشاورزی هر یک از سال ۲۰۲۲ تاکنون چندین برابر شده‌اند.

در زیر همه این‌ها، مدل‌های هوش مصنوعی و چارچوب‌های ساخته‌شده حول آن‌ها در سال گذشته پیشرفت کرده‌اند و توسعه‌دهندگان گزینه‌های بیشتری برای انتخاب دارند. رشد به‌سرعت در حرکت است: یک سال پس از پیش‌بینی‌های پنج‌ساله رشد توسعه‌دهندگان در سال گذشته، هر کشوری که پیش‌بینی کرده بودیم، دست‌کم یک‌پنجم فاصله خود تا ۲۰۳۰ را طی کرده است و مدل‌های پیش‌بینی خودمان دیگر بر سر مقصد بعدی توافق ندارند.

امسال همه‌چیز درباره شتاب بود. توسعه‌دهندگان در ۱۲ ماه گذشته ۱۷.۹ میلیارد بار تغییرات کد را به GitHub پوش کردند؛ بیش از مجموع ۲۰۲۴ و ۲۰۲۵. کامیت‌ها در همه انواع مخزن (عمومی و خصوصی) حتی سریع‌تر به ۳۴.۳ میلیارد رسیدند؛ بیش از سه برابر رقم دو سال پیش. پول‌ریکوئست‌های ادغام‌شده نیز در همین بازه بیش از سه برابر شد و به ۱.۳ میلیارد رسید؛ به‌طور میانگین روزی ۳.۵ میلیون.

عامل‌ها یکی از ابزارهایی بودند که توسعه‌دهندگان امسال بیشترین تکیه را بر آن‌ها کردند و آن‌ها را عمیق‌تر به کار روزانه کشاندند. در میان مخازن ساخته‌شده در سال جاری، میانگین مخزن دارای فایل پیکربندی عامل هشت برابر میانگین مخزن جدید بدون آن، کامیت ثبت کرده است؛ نشانه‌ای از اینکه افراد و تیم‌هایی که از روز اول با عامل‌ها می‌سازند، با سرعتی به‌مراتب متفاوت پیش می‌روند.

توسعه‌دهندگان همچنین برای پیشبرد پروژه‌ها به خودکارسازی تکیه کردند. GitHub Actions امسال هر ثانیه یک کار را ۱٬۴۴۰ بار اجرا کرد. این معادل ۱۲۴ میلیون بار در روز و بیش از سه برابر مجموع سال گذشته است. توسعه‌دهندگان بیش از ۳۰ میلیون پول‌ریکوئست Dependabot را ادغام کردند تا وابستگی‌ها به‌روز بمانند و استفاده از آسیب‌پذیری‌های شناخته‌شده کاهش یابد؛ حدود دو برابر سرعت ۲۰۲۵.

تلمتری ما نشان می‌دهد فعالیت از ژانویه به‌طور پیوسته بالا رفته و سپس حدود ژوئن جهش کرده است، گویی توسعه‌دهندگان در سراسر جهان یک‌باره امکان‌های تازه‌ای دیدند. درست در همان زمان، مجموعه‌ای از تغییرات در سطح صنعت رخ داد: مدل‌های پایه بهتر، چارچوب‌ها و ابزارهای ساخته‌شده حول آن‌ها، و عامل‌هایی که روی هر دو اجرا می‌شدند. عامل‌ها از ابزارهای تک‌جلسه‌ای به ابزارهای ماندگاری تبدیل شدند که می‌توانستند پیشرفت را در طول چند روز پیگیری کنند و عامل‌های تخصصی دیگر را هماهنگ کنند. به همان اندازه مهم، عامل‌ها شروع به استفاده گسترده از ابر کردند و کار را هم به‌صورت راه‌دور و هم روی ماشین‌های محلی اجرا کردند.

این شتاب هم در مخازن تازه و هم از سوی توسعه‌دهندگانی که سال‌هاست می‌سازند دیده می‌شود. از ژوئن به بعد، حدود ۵۵٪ از همه کامیت‌ها از مخازن کاملاً تازه آمده است. اما کامیت‌های بسیار بیشتری از توسعه‌دهندگانی آمده که مدت‌هاست حضور دارند: توسعه‌دهندگانی که در ۱۲ ماه گذشته کد پوش کرده‌اند، به‌طور میانگین ۳۶ ماه در GitHub بوده‌اند، و از کسانی که در اوت پول‌ریکوئست باز کردند، بیش از ۷۵٪ در سپتامبر کد پوش کردند. آن‌ها دامنه کارشان را هم گسترده‌تر کرده‌اند: توسعه‌دهنده متوسط اکنون روی ۱۰٪ مخزن بیشتر از یک سال پیش کار می‌کند.

این ماندگاری در متن‌باز هم دیده می‌شود. مشارکت‌های عمومی در ۲۰۲۶ به ۲.۵ میلیارد رسید؛ بیش از دو برابر مجموع سال گذشته (۱.۱۲ میلیارد). پشت این اعداد توسعه‌دهندگانی هستند که همچنان حاضر می‌شوند؛ مانند @kinlane که بیش از یک میلیون مشارکت در مخازن عمومی خود داشت و با گردش‌کارهای عاملی، فهرستی ماشین‌خوان از اطلاعات API عمومی را به‌روز نگه می‌دارد. نمونه دیگر @kim-em است که بیش از ۱۷۸ هزار مشارکت در نگهداری mathlib داشت؛ کتابخانه‌ای اجتماعی از ریاضیاتِ بررسی‌شده با کامپیوتر. @andig، یکی از نگه‌دارندگان evcc، کنترل‌کننده متن‌باز شارژ خودروی برقی و سامانه مدیریت انرژی خانه، بیش از ۲۱ هزار بار مشارکت کرد.

این‌ها فقط چند نمونه از کاری است که میلیون‌ها توسعه‌دهنده هر روز انجام می‌دهند. به همه توسعه‌دهندگانی که چنین کارهایی و فراتر از آن انجام می‌دهند: شما را می‌بینیم و خوشحالیم که می‌سازید.

پشت هر عدد در این گزارش یک توسعه‌دهنده است. GitHub اکنون به بیش از ۲۲۵ میلیون توسعه‌دهنده خدمت می‌کند و جامعه در سراسر جهان در حال رشد است. ایالات متحده (۳۸.۳ میلیون) و هند (۳۲ میلیون) همچنان دو جامعه بزرگ توسعه‌دهنده هستند و هر یک امسال بیش از ۱۰ میلیون توسعه‌دهنده افزودند. برزیل امسال ۳.۲۸ میلیون توسعه‌دهنده به GitHub افزود که سومین رقم بزرگ میان کشورهاست.

| کشور | تعداد کل توسعه‌دهندگان در GitHub در سپتامبر ۲۰۲۶ |

|---|---|

| ایالات متحده | ۳۸.۳ میلیون |

| هند | ۳۲.۰ میلیون |

| چین | ۱۲.۴ میلیون |

| برزیل | ۱۰.۲ میلیون |

| ژاپن | ۷.۱۵ میلیون |

| بریتانیا | ۶.۴۷ میلیون |

| اندونزی | ۶.۳۴ میلیون |

| آلمان | ۶.۳۰ میلیون |

| روسیه | ۵.۰۷ میلیون |

| فرانسه | ۴.۷۵ میلیون |

سال گذشته پیش‌بینی کردیم که هند تا ۲۰۳۰ به ۵۷.۵ میلیون توسعه‌دهنده و ایالات متحده به ۵۴.۷ میلیون توسعه‌دهنده برسد. یک سال پس از آغاز این بازه پنج‌ساله، هر کشوری در پیش‌بینی‌های ما دست‌کم یک‌پنجم فاصله خود تا رقم پیش‌بینی‌شده‌اش برای ۲۰۳۰ را طی کرده است. ایالات متحده ۳۸.۶٪ و هند ۲۸.۳٪ از این فاصله را طی کرده‌اند.

همین شتاب در مناطق مختلف دیده می‌شود و هر منطقه بافت محلی خود را دارد:

| منطقه | محرک رشد | بافت بازار |

|---|---|---|

| قاره آمریکا | فین‌تک و پرداخت‌های دیجیتال | • برزیل: بخش فین‌تک بالغ و سریع‌الرشد • کانادا: سرمایه‌گذاری پیوسته در هوش مصنوعی و نرم‌افزار |

| اروپا، خاورمیانه و آفریقا | پذیرش هوش مصنوعی در تولید و استارتاپ‌ها. جامعه توسعه‌دهنده سریع‌الرشد در آفریقا | • مراکش: صحنه فین‌تک و استارتاپ • آلمان: پذیرش هوش مصنوعی سازمانی در قلب صنعتی آن • فرانسه و اسپانیا: استارتاپ‌های هوش مصنوعی و فناوری‌های عمیق • کنیا، نیجریه، آفریقای جنوبی: فین‌تک، فناوری کشاورزی و بوت‌کمپ‌های کدنویسی |

| آسیا و اقیانوسیه | سرمایه‌گذاری دولتی در زیرساخت هوش مصنوعی و استعدادها | • اندونزی: اقتصاد دیجیتال پررونق • ژاپن: سرمایه‌گذاری در زیرساخت هوش مصنوعی • کره جنوبی: برنامه‌های استعداد هوش مصنوعی با پشتیبانی دولت • استرالیا: مهارت‌های هوش مصنوعی، یادگیری ماشین و داده |

یک سال پس از آن پیش‌بینی، رشد در مقایسه با پیش‌بینی سال گذشته قوی است و پیش‌بینی پنج سال آینده دشوارتر می‌شود. بیش از ۴۰ مدل پیش‌بینی را تا ۲۰۳۱ اجرا کردیم؛ مدل‌های سری زمانی و رگرسیون ساخته‌شده بر داده‌های تاریخی ثبت‌نام و استفاده، که هر یک سرعت رشد متفاوتی را فرض می‌کنند. حدود نیمی رشد «فوق‌العاده» را پیش‌بینی می‌کنند، با بیش از سه برابر شدن تعداد توسعه‌دهندگان در GitHub تا ۲۰۳۱. کمی کمتر از نیمی رشد «قابل‌توجه» را پیش‌بینی می‌کنند، دو تا سه برابر شدن. تنها سه مدل چیزی نزدیک به رشد اندک، کمتر از دو برابر، را انتظار دارند.

پیش‌بینی‌ها تخمینی هستند و دامنه‌ای به این گستردگی نشان می‌دهد جهش ۲۰۲۶ تا چه اندازه آنچه را تا ۲۰۳۱ ممکن است، گسترده‌تر کرده است. آنچه ثابت می‌ماند شکل روند است: جامعه‌ای از توسعه‌دهندگان که در مکان‌های بیشتری هم‌زمان رشد می‌کند.

در گزارش‌های گذشته، «همه‌جا» به معنای توسعه‌دهندگان بیشتر و کشورهای بیشتر بود، مثلاً در بافت کشورهای برتر مشارکت‌کننده کد در مخازن عمومی:

| رتبه | کشور |

|---|---|

| ۱ | ایالات متحده |

| ۲ | هند |

| ۳ | چین |

| ۴ | برزیل |

| ۵ | آلمان |

| ۶ | بریتانیا |

| ۷ | کره |

| ۸ | فرانسه |

| ۹ | ژاپن |

| ۱۰ | کانادا |

امسال، این همچنین به معنای حوزه‌های بیشتر است، از جمله صنایعی که پیش‌تر اندازه‌گیری نکرده بودیم.

ما دیدگاه خود از مخازن عمومی را بر اساس صنعت و با استفاده از NAICS (North American Industry Classification System) به اشتراک می‌گذاریم؛ سیستمی که فعالیت اقتصادی را به بخش‌ها تقسیم می‌کند. یک مدل زبانی نمونه‌های تصادفی از مخازن عمومی ساخته‌شده در هر سال از ۲۰۲۲ تا ۲۰۲۶ را طبقه‌بندی کرد و هر یک را بر اساس نام، توضیحات، موضوعات و README آن به صنعتی که به آن خدمت می‌کند نسبت داد. دو نشانه را هم رصد کردیم: اینکه آیا مخزن به هوش مصنوعی اشاره می‌کند، و اینکه آیا عاملی پول‌ریکوئستی علیه آن باز کرده است.

این دو نشانه همیشه با هم حرکت نمی‌کنند. در خدمات اداری و پشتیبانی، معدن، مراقبت‌های بهداشتی و کشاورزی، بیش از چهار مخزن از هر ۱۰ مخزن به هوش مصنوعی اشاره می‌کنند، اما پول‌ریکوئست‌های بازشده توسط عامل نادرند، کمتر از ۳ درصد. ساخت‌وساز این الگو را می‌شکند. حدود یک‌چهارم مخازن آن به هوش مصنوعی اشاره می‌کنند، اما حدود ۹ درصد پول‌ریکوئست بازشده توسط عامل دارند؛ بالاترین سهم میان همه بخش‌ها، و تولید در جایگاه بعدی است.

همین طبقه‌بندی نشان می‌دهد ردپای هر صنعت از ۲۰۲۲ چگونه تغییر کرده است و بخش‌هایی بسیار فراتر از نرم‌افزار در حال بالا رفتن‌اند. خدمات حرفه‌ای، علمی و فنی از جایگاه چهارم به دوم میان همه صنایع رسید و فقط اطلاعات بالاتر از آن است. کشاورزی، جنگلداری، ماهیگیری و شکار دو پله بالا رفتند و مالی و بیمه و مراقبت‌های بهداشتی و کمک‌های اجتماعی هر یک یک پله صعود کردند. در مقایسه با خط پایه ۲۰۲۲ هر بخش، معدن، استخراج سنگ و نفت و گاز از پایه‌ای کوچک حدود ۶۵ برابر رشد کرد، خدمات اداری و پشتیبانی و ساخت‌وساز ۱۷ تا ۱۸ برابر، و حتی تولید، کندترین این‌ها، تقریباً سه برابر شد.

پشت این جابه‌جایی‌های بخشی، افرادی هستند که حوزه خود را می‌شناسند و اکنون با عامل‌های کدنویسی هوش مصنوعی می‌سازند. برای نمونه، در تولید، تیمی کوچک راهی ساخت که عکس ابزارهای شما را به سازمان‌دهنده کشوی سفارشی و قابل چاپ سه‌بعدی تبدیل می‌کند. یک آزمایشگاه پژوهشی در مراقبت‌های بهداشتی تحلیل اسکن‌های دیجیتال عظیم نمونه‌های بافت را برای دانشمندان آسان‌تر کرد؛ همان نوع اسکن‌هایی که آسیب‌شناسان برای درک بیماری بررسی می‌کنند. در کپنهاگ (Copenhagen)، یک آزمایشگاه دانشگاهی خط لوله‌ای ساخت که ویدئوی مرغ‌ها هنگام بازی را طبقه‌بندی می‌کند، از جست‌وخیز تا شکار کرم. یک مرکز انرژی در دانشگاه وایکاتو (University of Waikato) جعبه‌ابزاری ساخت که به کارخانه‌های صنعتی کمک می‌کند گرمای قابل استفاده مجدد را پیدا کنند، و وزارت دیجیتال بلغارستان (Bulgaria’s digital ministry) پورتالی را متن‌باز کرد که هر کسی می‌تواند در آن رد بگیرد چه کسی یک قرارداد عمومی را برنده شده و به چه مبلغی. برای نویسندگان، یک رمان‌نویس اپلیکیشنی رایگان ساخت که دست‌نوشته را هنگام تایپ شبیه کتاب نشان می‌دهد. در حوزه پس از حوزه، کسانی که به مسئله نزدیک‌ترند راه‌حل را می‌سازند و عامل‌ها در این مسیر کمک می‌کنند.

خدمات حرفه‌ای، علمی و فنی که حدود ۵ برابر خط پایه ۲۰۲۲ خود رشد کرد و به جایگاه دوم رسید، کار پژوهش، مهندسی و مشاوره است و کد باز مدت‌هاست بخشی از روش انجام این کار بوده است. در بیوشیمی، کار پشت AlphaFold سهمی از جایزه نوبل شیمی ۲۰۲۴ را برای دمیس هسابیس (Demis Hassabis) و جان جامپر (John Jumper) به ارمغان آورد. در علوم کامپیوتر، Tensor2Tensor همراه مقاله‌ای بود که Transformer را معرفی کرد؛ معماری پشت مدل‌های زبانی بزرگ امروز، «Attention Is All You Need». در پزشکی، sars-cov-2-stability کد و داده پشت یکی از نخستین مقاله‌ها درباره مدت بقای ویروس در هوا و روی سطوح را نگه می‌داشت. در فیزیک، eht-imaging یکی از دو کتابخانه متن‌بازی بود که برای بازسازی نخستین تصویر یک سیاه‌چاله استفاده شد. یک مخزن بی‌سروصدا بخشی از ردپای مستندات پشت پژوهش‌های منتشرشده شده است.

اکنون توسعه‌دهندگان بیشتری پول‌ریکوئست را با مشخص کردن آنچه می‌خواهند و هماهنگ کردن عامل‌هایی که آن را انجام می‌دهند آغاز می‌کنند. تا سپتامبر ۲۰۲۶، بیش از ۴۰٪ پول‌ریکوئست‌ها در GitHub با پیش‌نویس اولیه یک عامل آغاز شد، در حالی که این رقم در مارس ۱۷٪ بود. این یعنی فقط در سپتامبر ۱۱۰ میلیون پول‌ریکوئست، حدود ۶ برابر حجم مارس.

پول‌ریکوئست‌های آغازشده توسط عامل همچنین بیشتر چند فایل را تغییر می‌دهند: حدود ۸۷٪، در مقایسه با ۷۹٪ پول‌ریکوئست‌های بدون دخالت شناسایی‌شده عامل. آن‌ها سریع هم ادغام می‌شوند. در فوریه، ۸۳٪ پول‌ریکوئست‌های دارای عامل در دو هفته ادغام شدند؛ کمی کمتر از حدود ۸۶٪ برای پول‌ریکوئست‌های بدون دخالت شناسایی‌شده عامل. تا سپتامبر، پول‌ریکوئست‌های عامل به ۹۰٪ رسیدند، در حالی که گروه مقایسه حدود ۸۶٪ ثابت ماند.

در میان کاربران فعال ماهانه GitHub Copilot، اکنون ۵۵٪ از ویژگی‌های عاملی استفاده می‌کنند، در حالی که یک سال پیش ۳۵٪ بود. تندترین رشد در حالت کم‌دخالت‌ترین است. Copilot cloud agent، جایی که توسعه‌دهنده وظیفه‌ای را واگذار می‌کند و عاملی مستقل روی آن کار می‌کند، نسبت به دوره مشابه سال قبل ۲۳۰٪ رشد کرد، در مقابل ۸۵٪ برای agent chat. توسعه‌دهندگان همچنان از عامل‌ها سؤال می‌پرسند و به‌طور فزاینده کل وظایف را واگذار می‌کنند.

تمایل به واگذاری در انواع وظایفی که توسعه‌دهندگان امتحان می‌کنند بازتاب می‌یابد. مخازن عمومی که به قابلیت هم‌کنش‌پذیری یا مهندسی معکوس اشاره می‌کنند، نسبت به دوره مشابه سال قبل بیش از ۳۰۰٪ افزایش یافتند؛ از حدود ۳۰٬۰۰۰ مخزن ساخته‌شده در ۲۰۲۵ به بیش از ۱۳۰٬۰۰۰ در ۲۰۲۶.

بازبینی جایی است که توسعه‌دهندگان آنچه بازمی‌گردد را شکل می‌دهند و ابزارهای بیشتری برای آن ساخته می‌شود. Stacked pull requests که کار مرتبط را به تغییرات کوچک‌تر و آسان‌تر برای بازبینی زنجیره‌ای تقسیم می‌کند، در ۳۰ ژوئیه به‌صورت پیش‌نمایش عرضه شد و تا سپتامبر بیش از ۲۶۴٬۰۰۰ توسعه‌دهنده از آن استفاده کرده بودند. استفاده از بازبینی کد به‌کمک هوش مصنوعی و GitHub Advanced Security هر دو بیش از ۹۰٪ نسبت به دوره مشابه سال قبل رشد کرد. این پلتفرم به ایمن‌سازی آن کار هم کمک می‌کند: محافظت از پوش که اسرار افشاشده مانند کلیدهای API و گذرواژه‌ها را اسکن می‌کند، امسال ۵.۸ میلیارد اسکن انجام داد؛ تقریباً چهار برابر سرعت ۲۰۲۵. توسعه‌دهندگان روی روش بازبینی کد سرمایه‌گذاری می‌کنند.

توسعه‌دهندگان مدل‌ها را با کاری که به عامل‌هایشان می‌سپارند هماهنگ می‌کنند. در سپتامبر ۲۰۲۶، ۶۱٪ از کاربران GitHub Copilot که خودشان مدلی انتخاب کرده بودند، در جلسات خود از بیش از یک مدل استفاده کردند، در حالی که چهار ماه پیش این رقم ۵۰٪ بود.

فهرست مدل‌ها هم در حال رشد است: توسعه‌دهندگان در طرح‌های پولی GitHub Copilot در مه از ۲۹ مدل متمایز استفاده کردند و در سپتامبر از ۴۷ مدل، و هیچ مدل واحدی در آن ماه بیش از ۲۵٪ درخواست‌ها را به خود اختصاص نداد. برخی تصمیم‌های مربوط به مدل به هزینه و آشنایی برمی‌گردد. توسعه‌دهندگان قیمت و کارکرد را در برابر نیاز می‌سنجند و ممکن است به ارائه‌دهندگانی گرایش پیدا کنند که از قبل به آن‌ها اعتماد دارند.

برای دیدن اینکه انتخاب‌های توسعه‌دهندگان چگونه پخش می‌شود، مدل‌های استفاده‌شده در GitHub Copilot را بر اساس هدف ساختشان گروه‌بندی کردیم: استدلال عمیق و برنامه‌ریزی، همه‌منظوره، و سریع و سبک. سپس بررسی کردیم درخواست‌ها کجا رفتند و فقط فعالیتی را شمردیم که توسعه‌دهنده صریحاً مدلی انتخاب کرده بود. این کار مواردی را کنار می‌گذارد که GitHub Copilot مدل را انتخاب می‌کند (انتخاب خودکار مدل)، استفاده کارکنان GitHub و Microsoft، مدل‌های کمکی پس‌زمینه، درخواست‌های تکراری برای پایش و آزمون، و درخواست‌های انجام‌شده با کلید API خود توسعه‌دهنده.

دریافتیم که از هر ۱۰۰ درخواست انتخاب‌شده توسط توسعه‌دهنده، ۳۸ درخواست به مدل‌های همه‌منظوره، ۳۷ درخواست به مدل‌های استدلال عمیق و برنامه‌ریزی، و ۲۵ درخواست به مدل‌های سریع و سبک رفت. توسعه‌دهندگان انتخاب‌های خود را میان مدل‌ها و کارکردها پخش می‌کنند و حدود ۲۵٪ درخواست‌ها به یک مدل سریع می‌رود.

برای دیدن اینکه این انتخاب‌ها چگونه تغییر می‌کنند، آن‌ها را به‌صورت سری زمانی در سه ماه گذشته بررسی کردیم و سهم درخواست‌ها را در کنار تعداد توسعه‌دهندگانی که هر مدل را امتحان کردند و تعداد کسانی که بازگشتند رصد کردیم. سه الگو برجسته است:

- انتشارهای جدید پیش از آنکه بیشتر توسعه‌دهندگان امتحانشان کنند، به‌شدت استفاده می‌شوند. در هفته‌های نخست، بیشتر مدل‌های جدید سهم بزرگ‌تری از درخواست‌ها را نسبت به سهم توسعه‌دهندگانی که آن‌ها را امتحان کرده‌اند به دست می‌آورند. پذیرندگان اولیه پیش از بقیه، مدلی را به‌شدت استفاده می‌کنند.

- توسعه‌دهندگان پس از کاهش تکیه بر یک مدل، آن را در چرخه نگه می‌دارند. وقتی سهم درخواست‌های یک مدل پایین می‌آید، سهم توسعه‌دهندگانی که هنوز از آن استفاده می‌کنند کندتر کاهش می‌یابد.

- توسعه‌دهندگان انواع مدل‌ها را ترکیب می‌کنند. درخواست‌ها میان هر سه گروه پخش می‌شود و تعداد کمی از توسعه‌دهندگان مدت طولانی به یک نوع مدل وفادار می‌مانند.

در مجموع، پراکندگی میان انواع مدل‌ها به انتخاب زیاد اشاره دارد: فهرستی که مدام رشد می‌کند، بهترین گزینه‌ای که از یک وظیفه به وظیفه بعدی تغییر می‌کند، و هر سه نوع مدل که در چرخه نگه داشته می‌شوند. بسیاری از توسعه‌دهندگان هم می‌گذارند GitHub Copilot بخشی از این کار را انجام دهد. در سپتامبر ۲۰۲۶، ۶۳٪ از توسعه‌دهندگان پولی GitHub Copilot دست‌کم یک بار از انتخاب خودکار مدل استفاده کردند و به Copilot اجازه دادند مدل را برای وظیفه انتخاب کند.

برنامه‌ریزی، پیاده‌سازی و بررسی یک تغییر، هر یک خواسته‌های متفاوتی از یک مدل می‌گذارد؛ از نظر توانایی، سرعت و هزینه. Project HydraFusion به‌عنوان پیش‌نمایش پژوهشی هماهنگ‌سازی مدل‌ها آغاز شد و مدل‌ها را با هر مرحله از این کار هماهنگ می‌کرد. در CLI و اپلیکیشن GitHub Copilot، تقریباً ۶۰٬۰۰۰ جلسه را مسیریابی کرد. این کار اکنون به‌صورت عمومی با نام GitHub Copilot Fusion عرضه شده است که هماهنگ‌سازی مدل‌ها را با انتخاب خودکار مدل ترکیب می‌کند و در پشت صحنه مدل مناسب را برای هر مرحله انتخاب می‌کند.

انتخاب زبان مدت‌هاست بازتاب آن است که توسعه‌دهندگان چه می‌خواهند بسازند، تیم‌هایشان چه می‌دانند و سیستم‌های موجود چه می‌خواهند. داده امسال این پرسش را مطرح می‌کند که آیا تأثیر چهارمی در حال ظهور است: زبانی که عامل وقتی توسعه‌دهنده زبانی را مشخص نمی‌کند انتخاب می‌کند.

سال گذشته گزارش دادیم که TypeScript از Python و JavaScript پیشی گرفت و به پرکاربردترین زبان در GitHub بر اساس مشارکت‌کنندگان تبدیل شد. این ترتیب در ۲۰۲۶ حفظ شد: TypeScript اول، Python دوم و JavaScript سوم. سرعت افزایش یافت. از سپتامبر ۲۰۲۵ تا سپتامبر ۲۰۲۶، TypeScript ۳.۶۲ میلیون مشارکت‌کننده ماهانه افزود، Python ۳.۲۳ میلیون و JavaScript ۱.۸۲ میلیون؛ بزرگ‌ترین افزایش‌ها میان ۱۰ زبان برتر. Rust از نظر درصدی سریع‌ترین رشد را میان زبان‌های برتر داشت و در سال گذشته دو برابر شد.

پیش‌بینی‌های ما روندهای اخیر را ادامه می‌دهند: TypeScript و Python هر یک تا سپتامبر ۲۰۲۷ به نزدیک ۱۳ میلیون مشارکت‌کننده ماهانه می‌رسند، JavaScript به ۷.۴ میلیون، و هر زبان دیگر در ۱۰ زبان برتر زیر حدود ۲.۲ میلیون می‌ماند.

زبان‌هایی که سریع‌ترین رشد را دارند همان‌هایی هستند که هوش مصنوعی بیشتر در آن‌ها دیده می‌شود. رشد جامعه هر زبان در سال گذشته را در برابر سهم پول‌ریکوئست‌های ادغام‌شده آن با دخالت شناسایی‌شده هوش مصنوعی ترسیم کردیم و اندازه حباب‌ها تقریباً نشان‌دهنده اندازه جامعه هر زبان است. TypeScript، Python و Rust، سریع‌الرشدترین جوامع، بالاترین سهم‌ها را دارند؛ حدود ۴۰٪ تا ۴۴٪ پول‌ریکوئست‌های ادغام‌شده. Java، C# و C++ پایین‌ترند، بین حدود ۲۱٪ و ۳۴٪، هرچند هوش مصنوعی در بیش از یک پول‌ریکوئست از هر پنج پول‌ریکوئست ادغام‌شده در هر زبانی که نشان داده شده دیده می‌شود.

داده مخازن زاویه دیگری می‌افزاید. در میان مخازن ساخته‌شده در ۲۰۲۶، TypeScript زبان اصلی ۳۵٪ از مخازنی بود که نشانه عامل مشاهده‌شده داشتند، در مقایسه با ۲۴٪ در مخازن بدون آن. برای مخازن ساخته‌شده پیش از ۲۰۲۶، شکاف مشابه بود: ۲۷٪ با نشانه عامل در برابر ۱۷٪ بدون آن. این نشان می‌دهد توسعه‌دهندگانی که با عامل‌ها کار می‌کنند به زبان‌هایی گرایش دارند که بررسی خروجی عامل در آن‌ها آسان‌تر است. توسعه‌دهندگانی که دقیقاً می‌دانند چه می‌خواهند همچنان زبان را مشخص می‌کنند. اما وقتی انتخاب را باز می‌گذارند، به نظر می‌رسد عامل‌ها مجموعه محدودتری از زبان‌ها را ترجیح می‌دهند که TypeScript در صدر آن‌هاست.

امسال پروژه‌های سریع‌الرشد و پرتعامل‌ترین پروژه‌های GitHub را به دو گروه تقسیم کردیم: مخازن جامعه‌محور و مستقل، و مخازن تک‌فروشنده یا محصول‌محور. پروژه‌های جامعه‌محور و مستقل توسط بنیادها اداره می‌شوند، به‌طور گسترده نگهداری می‌شوند، یا توسط فردی بدون حامی تجاری مشخص رهبری می‌شوند. پروژه‌های تک‌فروشنده و محصول‌محور متن‌باز یا با کد منبع در دسترس هستند و اغلب مشارکت‌های قابل‌توجه جامعه را می‌پذیرند، اما کنترل راهبردی در دست یک شرکت است.

این دو فهرست در کنار هم تقسیم کار را نشان می‌دهند. سمت جامعه عمدتاً بنیاد زیر همه‌چیز دیگر است: موتورهای استنتاج مانند vLLM، SGLang و llama.cpp، چارچوب‌هایی مانند PyTorch، زبان‌ها و زمان‌های اجرا مانند Rust و CPython، و پلتفرم‌هایی مانند Home Assistant و Godot. سمت فروشنده عمدتاً ابزارهایی است که توسعه‌دهندگان مستقیماً با آن‌ها کار می‌کنند: عامل‌های کدنویسی، ویرایشگرها و هماهنگ‌سازی حول آن‌ها. مشارکت‌کنندگان برای هر دو لایه حاضر می‌شوند. فهرست رشد همچنین جاهایی را شامل می‌شود که برای استقبال از تازه‌واردان ساخته شده‌اند، مانند first-contributions و is-a-dev/register، جایی که بسیاری از توسعه‌دهندگان نخستین پول‌ریکوئست خود را ثبت می‌کنند.

| رتبه | جامعه‌محور / مستقل | تک‌فروشنده / محصول‌محور |

|---|---|---|

| ۱ | farion1231/cc-switch | Anthropic: anthropics/claude-code |

| ۲ | punkpeye/awesome-mcp-servers | OpenAI: openai/codex |

| ۳ | بنیاد Omacom (Omacom Foundation): omacom/omarchy | Anomaly: anomalyco/opencode |

| ۴ | firstcontributions/first-contributions | Microsoft: microsoft/vscode |

| ۵ | ggml-org/llama.cpp | GitHub: github/copilot-cli |

| ۶ | بنیاد Eclipse (Eclipse Foundation): EclipseFdn/open-vsx.org | Zed Industries: zed-industries/zed |

| ۷ | sgl-project/sglang | Google: google-gemini/gemini-cli |

| ۸ | vllm-project/vllm | BerriAI: BerriAI/litellm |

| ۹ | imputnet/helium | microsoft/winget-pkgs |

| ۱۰ | vllm-project/vllm-ascend | Kilo-Org/kilocode |

| رتبه | جامعه‌محور / مستقل | تک‌فروشنده / محصول‌محور |

|---|---|---|

| ۱ | بنیاد OpenClaw (OpenClaw Foundation): openclaw/openclaw | Nous Research: NousResearch/hermes-agent |

| ۲ | vllm-project/vllm | Anomaly: anomalyco/opencode |

| ۳ | ggml-org/llama.cpp | Earendil: earendil-works/pi |

| ۴ | بنیاد Omacom (Omacom Foundation): omacom/omarchy | Stably AI: stablyai/orca |

| ۵ | farion1231/cc-switch | Ping: pingdotgg/t3code |

| ۶ | sgl-project/sglang | Microsoft: microsoft/vscode |

| ۷ | بنیاد PyTorch (PyTorch Foundation): pytorch/pytorch | Graphify Labs: Graphify-Labs/graphify |

| ۸ | بنیاد Rust (Rust Foundation): rust-lang/rust | Paperclip AI: paperclipai/paperclip |

| ۹ | بنیاد Open Home (Open Home Foundation): home-assistant/core | BerriAI: BerriAI/litellm |

| ۱۰ | بنیاد نرم‌افزار پایتون (Python Software Foundation): python/cpython | can1357/oh-my-pi |

به‌عنوان بخشی از پژوهش امسال، ایموجی‌هایی را هم که توسعه‌دهندگان بیشتر در مخازن خود استفاده می‌کردند رصد کردیم. در هر صنعتی که بررسی کردیم، موشک 🚀 با اختلاف زیاد صدر فهرست را گرفت؛ نمادی شایسته برای سالی پر از شتاب. توسعه‌دهندگان در GitHub امسال زمین بیشتری را پوشش دادند: کد بیشتر، کشورهای بیشتر و صنایع بیشتری از آنچه تاکنون اندازه گرفته‌ایم. هیچ‌یک از این فعالیت‌ها این را تغییر نمی‌دهد که چه کسی تصمیم می‌گیرد کد چه کاری باید انجام دهد. هنوز کسی باید ایده را بیاورد، چه نرم‌افزاری باشد که خطر زلزله را ارزیابی می‌کند، چه سابقه‌ای باز از تغییر شرایط و سیاست‌های حریم خصوصی سرویس‌های آنلاین، یا مهارتی برای عامل که پاسخ هوش مصنوعی را برای صرفه‌جویی در کلمات شبیه غارنشین‌ها کند. و هنوز کسی باید تصمیم بگیرد که آیا کار می‌کند، آیا جای آن است و آیا خوب است.

آنچه تغییر کرده این است که بردن یک ایده از فکری آخر هفته تا چیزی واقعی چقدر آسان‌تر شده است.

ابزارها همچنان تغییر خواهند کرد و صنایع تازه در جاهایی که انتظارش را نداریم ظاهر خواهند شد. اینکه توسعه‌دهنده چه چیزی را انتخاب می‌کند بسازد و برای چه کسی بسازد، هنوز به خودش بستگی دارد. با موشک و همه‌چیز.

- فایل پیکربندی عامل: فایلی در مخزن که یک عامل کدنویسی هوش مصنوعی را راه‌اندازی یا هدایت می‌کند. به آن فایل پیکربندی هوش مصنوعی یا فایل عاملی هم می‌گویند. مخازن بدون آن هم ممکن است از هوش مصنوعی استفاده کنند.

- نشانه عامل: نشانه مشاهده‌شده از دخالت عامل در تلمتری، مانند پول‌ریکوئستی که عامل باز کرده است. این نشانه حداقلی است، چون ممکن است همه استفاده‌های عامل شناسایی نشوند.

- پول‌ریکوئست آغازشده توسط عامل: پول‌ریکوئستی که پیش‌نویس اولیه آن از یک عامل کدنویسی آمده و ما می‌توانیم آن را شناسایی کنیم.

- انتخاب خودکار مدل: تنظیمی در GitHub Copilot که در آن Copilot مدل را برای وظیفه انتخاب می‌کند.

- کامیت: تصویر ذخیره‌شده‌ای از تغییرات یک مخزن.

- مشارکت‌ها: رویدادهای فعالیت شامل کامنت گذاشتن روی کامیت، ایشو، پول‌ریکوئست یا بحث؛ ساختن gist، ایشو، پول‌ریکوئست یا بحث؛ پوش کردن کد؛ و بازبینی پول‌ریکوئست است. هر پوش یک بار شمرده می‌شود، هر چند کامیت در آن باشد. مشارکت‌های متن‌باز، مشارکت در مخازن عمومی و متن‌باز است.

- مشارکت‌کنندگان: کاربران GitHub که در این بازه دست‌کم یک مشارکت داشته‌اند.

- Copilot cloud agent: ویژگی‌ای از GitHub Copilot که در آن توسعه‌دهنده وظیفه‌ای را واگذار می‌کند و عامل به‌طور مستقل روی آن کار می‌کند.

- Dependabot: ابزار خودکار GitHub که وابستگی‌های قدیمی یا آسیب‌پذیر را پیدا می‌کند و برای به‌روزرسانی آن‌ها پول‌ریکوئست باز می‌کند.

- درخواست انتخاب‌شده توسط توسعه‌دهنده: درخواست مدلی که از طریق پروکسی ما انجام شده و توسعه‌دهنده خودش مدل را انتخاب کرده است. این آمار انتخاب خودکار مدل، استفاده کارکنان، درخواست‌های تکراری پایش و آزمایش، مدل‌های کمکی پس‌زمینه و درخواست‌هایی را که با کلید API خود توسعه‌دهنده انجام شده‌اند شامل نمی‌شود.

- کار GitHub Actions: یک واحد کار در گردش‌کار GitHub Actions.

- GitHub Advanced Security: مجموعه ویژگی‌های امنیتی برنامه در GitHub، شامل اسکن کد، اسکن اسرار و بازبینی وابستگی‌ها.

- NAICS (North American Industry Classification System): سیستم طبقه‌بندی صنایع آمریکای شمالی؛ طبقه‌بندی استاندارد بخش‌ها که امسال برای دسته‌بندی مخازن عمومی بر اساس صنعت به کار رفت.

- Project HydraFusion: پیش‌نمایش پژوهشی GitHub برای هماهنگ‌سازی مدل‌ها که یک وظیفه را میان چند مدل برنامه‌ریزی می‌کند؛ مثلاً یکی پیش‌نویس می‌نویسد، دیگری بازبینی می‌کند و مدل توانمندتری در صورت نیاز وارد می‌شود. این قابلیت اکنون با نام GitHub Copilot Fusion به‌طور عمومی عرضه شده است.

- پوش: ارسال تغییرات ذخیره‌شده به GitHub. یک پوش می‌تواند چند کامیت داشته باشد.

- Stacked pull requests: گردش‌کاری برای بازبینی که کار مرتبط را به زنجیره‌ای از پول‌ریکوئست‌های کوچک‌تر تقسیم می‌کند و به ترتیب بازبینی می‌شوند.

- دامنه و بازه زمانی. سال Octoverse از ۱ اکتبر ۲۰۲۵ تا ۳۰ سپتامبر ۲۰۲۶ (هر دو روز شامل) است. مگر آنکه ذکر شود، شاخص‌ها مخازن عمومی و خصوصی را در بر می‌گیرند. آمار صنعت، مشارکت متن‌باز و پروژه‌های متن‌باز فقط بر پایه مخازن عمومی است. سال‌های قبل: ارقام ۲۰۲۴ و ۲۰۲۵ با همان تعاریف و بازه بازمحاسبه شده‌اند، بنابراین ممکن است با گزارش‌های پیشین که فعالیت عمومی و بازه ۱ سپتامبر تا ۳۱ اوت را پوشش می‌دادند متفاوت باشند.

- پوش‌ها، کامیت‌ها و مشارکت‌ها. یک پوش یک یا چند کامیت را به GitHub می‌فرستد. مشارکت‌ها هر پوش را یک بار می‌شمارند، بنابراین مجموع کامیت‌ها می‌تواند از مجموع مشارکت‌ها بیشتر شود. Actions بر حسب کار (job) شمرده می‌شود، نه دقیقه. مشارکت‌های متن‌باز (۲.۵ میلیارد) عمومی است.

- فیلترکردن. شمارش مشارکت‌کنندگان و مشارکت‌ها، حساب‌های علامت‌خورده به‌عنوان هرزنامه، کارکنان و ربات‌ها را در موارد قابل شناسایی کنار می‌گذارد.

- جغرافیا و پیش‌بینی‌ها. توسعه‌دهندگان بر اساس موقعیت خوداظهاری به کشورها نسبت داده می‌شوند و آستانه انتشار ۱۰۰ توسعه‌دهنده است. Octoverse 2025 مجموع‌های سال ۲۰۳۰ را منتشر کرد، نه اهداف سالانه. پیشرفت، تعداد خالص توسعه‌دهندگان افزوده‌شده از سپتامبر ۲۰۲۵ تا سپتامبر ۲۰۲۶ است، به‌عنوان سهمی از فاصله میان شمار منتشرشده هر کشور در ۲۰۲۵ تا پیش‌بینی ۲۰۳۰ آن.

- زبان‌ها. مشارکت‌کنندگان، حساب‌های متمایزی هستند که هر ماه از طریق پوش، پول‌ریکوئست، ایشو، بازبینی یا کامنت فعالیت کرده‌اند و به زبان اصلی هر مخزن (Linguist) نسبت داده می‌شوند. یک حساب می‌تواند در چند زبان شمرده شود. این روش همان روش Octoverse 2025 است. پیش‌بینی‌ها ۱۰ زبان برتر را بر اساس میانگین مشارکت ماهانه پوشش می‌دهند و تا سپتامبر ۲۰۲۷ امتداد می‌یابند (میانگین نمایش داده شده است).

- نمودار حبابی زبان‌ها، رشد حساب‌های مشارکت‌کننده ماهانه را بین سپتامبر ۲۰۲۵ و سپتامبر ۲۰۲۶ با سهم پول‌ریکوئست‌های ادغام‌شده‌ای که دخالت هوش مصنوعی در آن‌ها شناسایی شده مقایسه می‌کند. اندازه هر حباب نشان‌دهنده اندازه جامعه است.

- کشورهای برتر بر اساس پوش به مخازن عمومی، تنظیم‌شده بر اساس موقعیت پروفایل. پوش‌های هر کشور در طول سال Octoverse جمع زده شد. برای تعدیل سوگیری ناشی از استفاده از VPN، از طبقه‌بندی مدل زبانی برای استخراج کد ISO 3166-1 alpha-2 از پروفایل کاربران GitHub که در این بازه پوش داشته‌اند استفاده شد؛ سپس نسبت‌هایی بر پایه کد ISO 3166-1 alpha-2 حاصل از موقعیت پروفایل در برابر کد ISO 3166-1 alpha-2 حاصل از نشانی IP ساخته شد. این نسبت‌ها برای وزن‌دهی به پوش‌های هر کشور به کار رفت.

- صنعت. مخازن عمومی ساخته‌شده در ۲۰۲۲ تا ۲۰۲۶ با یک مدل تعبیه چندزبانه تنظیم‌شده و بر اساس نام، توضیحات، موضوع‌ها و README، از نمونه‌های تصادفی هر سال در بخش‌های NAICS دسته‌بندی شدند. اشاره‌های هوش مصنوعی و پول‌ریکوئست‌های بازشده توسط عامل (فقط عامل‌های قابل شناسایی) به‌عنوان نشانه‌های جداگانه علامت‌گذاری شدند. سهم بخش‌ها و سهم اشاره‌های هوش مصنوعی می‌توانند به هم مرتبط باشند، چون هر دو از یک متن خوانده می‌شوند. سهم‌ها تخمینی هستند.

- رتبه‌بندی متن‌باز. مخازن عمومی و غیرفورک را به دو روش رتبه‌بندی کردیم. «سریع‌ترین رشد» بر اساس افزایش مطلق سال‌به‌سال در تعداد حساب‌های مشارکت‌کننده متمایز رتبه‌بندی می‌شود، نه تعداد مشارکت‌ها. «فعال‌ترین» رتبه‌بندی مخزن را در ستاره‌ها، فورک‌ها و سازندگان متمایز پول‌ریکوئست و ایشو ترکیب می‌کند. فورک‌ها، مخازنی که فعالیتشان بازتوزیع را نشان می‌دهد و نتایجی که به‌عنوان هرزنامه شناسایی کردیم کنار گذاشته شدند. پروژه‌ها بر اساس نحوه اداره گروه‌بندی شده‌اند: پروژه‌های اجتماعی و مستقل یا زیر نظر یک بنیاد هستند یا مستقل اداره می‌شوند، و پروژه‌های تک‌فروشنده از مسیر محصول یک شرکت پیروی می‌کنند. چند پروژه میزبانی‌شده توسط جامعه حامیان تجاری دارند. این تقسیم‌بندی نحوه اداره و میزبانی را توصیف می‌کند، نه تأمین مالی یا اینکه نگه‌دارندگان را چه کسی استخدام کرده است.

- انتخاب مدل. ارقام GitHub Copilot را پوشش می‌دهند و فقط درخواست‌های انتخاب‌شده توسط توسعه‌دهنده را می‌شمارند. انتخاب خودکار مدل، استفاده کارکنان، درخواست‌های تکراری پایش، مدل‌های کمکی پس‌زمینه و درخواست‌هایی که با کلید API خود توسعه‌دهنده انجام شده‌اند کنار گذاشته می‌شوند. هر مدل برای شمرده شدن باید دست‌کم ۱۰۰۰ کاربر فعال هفتگی داشته باشد. مدل‌ها بر اساس کاربردشان گروه‌بندی شده‌اند و نمونه‌ها به ترتیب الفبایی نام ارائه‌دهنده آمده است:

- استدلال عمیق و برنامه‌ریزی: Claude Opus 5.5، GPT 5.5.

- همه‌منظوره: Claude Sonnet 5، Grok 4.7، GPT 6.1 Sol.

- سریع و سبک: Claude Haiku 5.5، Gemini 3.8 Flash، GPT 6 Luna.

- ارقام استفاده مشاهده‌شده را توصیف می‌کنند، نه کیفیت مدل را. مشاهدات روند بر داده‌های هفتگی ۱۴ ژوئیه تا ۱۳ اکتبر ۲۰۲۶ استوار است.

- سهم درخواست، سهم هر مدل از همه درخواست‌های واجد شرایط در گروه خودش در بازه هفت‌روزه منتهی به ۱۳ اکتبر ۲۰۲۶ است.

- قابلیت هم‌کنش‌پذیری. مخازن عمومی ساخته‌شده در هر سال شمرده می‌شوند که نام، توضیحات، موضوع‌ها یا README آن‌ها به قابلیت هم‌کنش‌پذیری یا مهندسی معکوس یا اصطلاحات مرتبط اشاره دارد؛ مانند پیاده‌سازی اتاق پاک (clean room implementation)، جایگزین بی‌واسطه (drop-in replacement) یا بازپیاده‌سازی پروتکل.

- پیش‌بینی‌ها. ۴۳ مدل سری زمانی و رگرسیون را روی داده‌های تاریخی GitHub، ثبت‌نام‌ها، استفاده از محصول و برآورد اندازه بازار اجرا کردیم و تعداد توسعه‌دهندگان GitHub را تا سپتامبر ۲۰۳۱ نسبت به سپتامبر ۲۰۲۶ پیش‌بینی کردیم. نتایج در سه گروه قرار می‌گیرند: ۳ برابر یا بیشتر (۲۱ مدل)، ۲ برابر تا کمتر از ۳ برابر (۱۹ مدل) و کمتر از ۲ برابر (۳ مدل). Octoverse 2025 از پنج مدل استفاده کرده بود. هیچ پیش‌بینی‌ای کاملاً دقیق نیست.

ویرایش ۶ نوامبر ۲۰۲۶، برای روشن‌تر کردن زبان روش‌شناسی رتبه‌بندی متن‌باز.

در اکتبر، هشت حادثه را تجربه کردیم که به افت عملکرد سرویس‌های GitHub انجامید.

امروز چشم‌انداز خود را برای GitHub به‌عنوان جامع‌ترین سامانه سرتاسری تحویل نرم‌افزار در جهان ترسیم کردیم.

هوش مصنوعی، عامل‌ها، صدا و کنترل‌های فیزیکی، توسعه نرم‌افزار را از کار با ابزارها به بیان مقصود تغییر می‌دهند و به توسعه‌دهندگان کمک می‌کنند تمرکزشان را روی ساختن نگه دارند.

منبع: GitHub Blog

متن و تصاویر اصلی از منبع بالا. ترجمه و ویرایش در دیجیتال سرآمد.