【卷卷观察】GitHub Star 造假产业链,以及它是怎么变成 AI 圈融资货币的

news2026/5/15 6:13:31
结论先说GitHub Trending 上的高星项目有相当比例的星是买来的。这不是小范围的作弊是一个成熟的、面向 VC 融资市场的地下经济。而且 AI 项目是重灾区。上周看到一条 Twitter大意是GitHub Trending 上的项目40% 的 star 是买的你信吗我信。不是因为我对开源社区失望是因为我见过太多这类游戏的玩法——这个世界上但凡有一个指标被广泛认可为成功信号就一定会有人花钱去买它。GitHub star 就是这样。研究数据六百万个假 starAI 项目是重灾区这个结论不是哪个博主拍脑袋得出的是 CMU、NC State 和 Socket 三家联合做的学术研究用的工具叫 StarScout分析了 2019 到 2024 年间 67 亿条 GitHub 事件和 3.26 亿个 star。论文发表在 ICSE 2026是软件工程领域的顶会。结论大约六百万个疑似假 star来自约 30 万个账号分布在 18617 个仓库里。到了 2024 年 7 月50 星以上的仓库里有 16.66% 涉及假 star 活动——而 2022 年之前这个比例接近零。也就是说这事不是一直都有的是 2023 年开始规模化2024 年彻底失控的。最讽刺的一个数据研究里发现了 78 个被检测到假 star 活动的仓库成功登上了 GitHub Trending。平台自己的推荐算法被假货骗了——买的 star 越多Trending 排名越高自然流量越大真实 star 越多。这是个自我强化的循环起点是钱不是代码质量。一条成熟的地下产业链这个产业链的成熟程度超过我的预期。有专职网站卖 starSocialPlug.io、Buy.fans、Boost-Like.store、GitHubPromoter.com、Vurike.com……至少十二个活跃平台明码标价。Fiverr 上有 24 个合法 gig 在卖 GitHub 推广甚至有德国注册公司 GitHub24Moller und Ringauf GbR公开经营收费 0.85 欧元一个 star承诺一个月后全部存活。定价体系也分层了低级一次性账号$0.03-$0.10/个几天内交付全新空账号中级有历史记录$0.20-$0.50/个一到两周交付有一定活跃历史高级老账号$0.80-$0.90/个渐进式交付账号有多年的活跃记录和真实项目高级账号的意思是你拿到的是看起来完全正常的 GitHub 账号有多年的提交记录有自己的项目有真实的社交关系。VC 就是被这种看起来很正常的账号骗过去的。Star 怎么变成了融资货币问题来了谁在买为什么买VC 们真的在看 star 数量。Redpoint 投资的一个数据他们在 seed 轮看项目时star 数量的中位数是 2850 个。有些 VC 直接写爬虫抓 GitHub Trending 上增长最快的仓库写进自己的 deal sourcing 流程。Star 高 项目热 值得看。这是很多投资人的筛选逻辑。一个 GitHub star 最低 $0.06。一个 seed 轮融资 $1M 到 $10M。这个数学太清楚了你花 $500 买 star上了 Trending获得了自然流量和曝光如果因此拿到一个 $2M 的 seed这个 ROI 是 400 倍。研究里特别指出AI 和 LLM 相关仓库是假 star 的最大非恶意接收方。什么意思这些项目不是存心想去骗钱但它们的 star 里掺了最多的假货。原因也不复杂AI 赛道的项目天然缺乏其他 legitimacy 信号。一个做 AI 的新项目没有收入、没有用户数据、没有老牌投资机构背书GitHub star 是少数几个可以快速获得的证明之一。所以 AI 项目买 star 的动机最强AI 项目也是假 star 产业最大的客户群。GitHub 自己知道吗知道。研究者用 StarScout 标记的仓库GitHub 后来删了 90.42%标记的账号删了 57.07%。说明平台自己也认这个检测结果也在清理。但清理的速度永远追不上产业链成熟的速度。买 star 的需求就摆在那里供给侧有专业的服务商有分级定价体系有售后存活承诺。这是一个完全合规的地下市场——它不违法因为 GitHub 的服务条款里没有禁止给自己买 star至少在研究发表的 2026 年初还没有明文规定。对 AI 圈的影响如果你现在在评估一个 AI 项目看到它有 5000 star你可能需要重新校准你的判断基准。按照研究的分布AI 项目平均掺假比例可能相当高。不是说 star 高的 AI 项目都是假的而是说GitHub star 作为项目质量的信号在 AI 赛道已经开始系统性失真了。这对投资人的尽调提出了新的要求不能只看 star 数量要看 star 的质量——账号年龄、提交频率、issue 互动、真实的代码贡献者。但这些数据都在 GitHub 上谁来做一个可信的star 质量评分同时这个现象也揭示了一个更深层的问题AI 领域的评估体系还没有建立起来。大家还在用 GitHub star 这种粗糙的指标是因为没有更好的替代品。Star 的问题不是它被买走了是整个行业在用错误的指标评估 AI 项目——Star 只是这个问题的症状。最后说一句这件事最让我有感触的不是造假本身是造假的激励结构。GitHub star 这个指标本来是给开发者用的——看看哪些项目被同行认可。但当 VC 开始把 star 作为 sourcing 信号的那一刻这个指标的目标函数就变了。开发者想要 star 是因为同行认可VC 们想要 star 是因为它代表项目热度两种需求的叠加把一个纯粹的技术指标变成了融资工具。指标被工具化的速度永远快于监管反应的速度。GitHub 现在清理也好VC 们开始警觉也好都是事后补救。真正的问题在于什么时候 AI 领域才能建立起真正有效的评估体系不是靠 star不是靠 paper 引用数而是真正能反映项目价值和团队能力的信号。这个问题没有简单的答案。但至少从现在开始看到高 star 的 AI 项目心里要打个折扣。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2537744.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…