至顶网网络与安全频道 11月26日 编译:Palo Alto Networks已经签署协议以1.5亿美元全现金交易的方式收购云安全初创公司Aporeto。
成立于2016年的Aporeto公司提供了一个零信任的云安全平台,该平台通过分析来自任何可用系统的工作负载元数据和用户身份数据自动生成身份。零信任是一种越来越流行的安全模型,基于严格访问控制以及在默认情况下不信任任何人(即使是那些已经存在于网络中的人)的基本原理。
Aporeto通过基于白名单的安全方法提供零信任。Aporeto公司联合创始人Amir Sharif曾在2017年表示,Aporeto的解决方案面向所有应用组件实现端到端的身份验证、授权和加密,包括虚拟机、容器和微服务。
Sharif表示:“这么做可以让安全性在任何位置都是跟随应用的,不管是在哪种网络架构中,包括让WAN分布于不同的云中。由于Aporeto的安全性已经嵌入到基础设施中,因此安全性对开发人员而言是不可见且不受干扰的,从而让开发人员可以快速行动并专注于核心功能,而不必将精力用于满足安全性要求的繁琐工作上。”
Aporeto给Palo Alto Networks带来了一系列客户,包括Comcast Ventures、Bart、British Columbia、Informatica和Exact Transactions。
在被Palo Alto收购之前,Aporeto已经筹集了3450万美元的风投资金,投资方包括Norwest Venture Partners、Data Collective、Telia Ventures、National Grid Partners、Comcast Ventures和Wing Venture Capital。
对于Palo Alto Networks来说,此次收购将有助于加强自己的Prisma Cloud功能。预计该交易将在第二财季完成。
而且,此次收购也是Palo Alto Network在不到两年时间内的第七次收购,此前的收购包括:9月5日收购Zingbox,4.75亿美元;5月29日收购Twistlock(4.1亿美元)和PureSe;2月19日收购Demisto,5.6亿美元;2018年10月收购RedLock,1.73亿美元;2018年4月收购Secdo,1亿美元;2018年3月收购Evident.io,3亿美元。
在公布这一消息的同时,Palo Alto Networks公布了截至10月31日的第一财季财报。
该季度Palo Alto Networks的收入为7.719亿美元,较去年同期增长18%;净亏损为5960万美元,合稀释后每股收益62美分,去年同期亏损3830万美元,合稀释每股收益41美分。除诸如股票补偿等费用的利润从去年同期的1.154亿美元降至1.048亿美元,或稀释后每股1.05美元。
Palo Alto Networks预计第二财季收入在8.38亿美元至8.48亿美元之间,总收入将在9.85亿美元至10亿美元之间。扣除收购Aporeto的净支出,预计调整后每股收益为1.11至1.13美元。
Palo Alto Networks预计整个2020财年的收入为34.4亿美元至34.8亿美元,现金收入为41.05亿美元至41.65亿美元,调整后每股收益为4.90美元至5美元。
尽管收益超出市场预期,但投资者对下个季度的指引感到失望,分析师此前预计第二财季每股收益为1.30美元,远高于Palo Alto估计的1.13美元至1.15美元,此外全年预测也低于分析师普遍预期的每股5.07美元。
截至美国东部时间晚间7:30,Palo Alto Networks股票在盘后交易中下跌了8.5%至229.10美元。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。