至顶网网络与安全频道 02月26日 综合消息:网络安全解决方案提供商 CheckPoint 软件技术有限公司(纳斯达克股票代码:CHKP)今天宣布其 Check Point SandBlast Agent 高级端点防护和威胁防御解决方案在最近的 NSS 实验室 2020 年高级端点防护 (AEP) 测试中赢得“AA”评级。
NSS 实验室以事实为基础开展独立网络安全测试,其测试结果受到全球认可与信任。NSS 实验室授予了 SandBlast Agent“AA”评级(在 AEP 小组测试中从未授予过“AAA”),这意味着该解决方案兑现客户承诺的能力非常强。SandBlast Agent 能够检测 100% 的 HTTP 和电子邮件威胁、100% 的使用复杂躲避技术的恶意软件,并能够阻止 100% 的 躲避行为。
这是自 2010 年 NSS 实验室开始测试 Check Point 解决方案以来,Check Point 第 21 次赢得高评级,持续证实了 Check Points 帮助组织抵御最复杂新型网络攻击的能力。
Check Point 软件技术有限公司产品管理与营销副总裁 Itai Greenberg 表示:“最新一代攻击可跨多个向量迅速蔓延并具有隐蔽性。等到传统的安全产品检测到这些攻击时,破坏早已造成。NSS 测试结果表明,SandBlast Agent 可在攻击渗入网络之前,拦截大多数未知攻击,防止它们造成任何破坏。针对端点防护的 NSS“AA”评级充分表明了我们能够开发与交付最先进的威胁防御技术。”
NSS AEP 测试报告指出,SandBlast Agent 的优势包括:
* 出色的躲避阻止
* 强大的恶意软件和漏洞防护
* 有效对抗更高级攻击
* 全面、强大的管理
* 极低的误报率
SandBlast Agent 是 Check Points 全面整合网络安全架构 Infinity 中不可或缺的组成部分,有助于全面保护当今的 IT 基础设施,包括本地网络、端点、云和移动办公。它利用从 Check Point 的 ThreatCloud 知识库中实时获取的威胁情报,一站式持续监控所有平台中的威胁。
SandBlast Agent 提供专用高级零日保护功能,支持组织利用 Check Point 行业领先的网络保护方案确保 Web 浏览器和端点安全无虞。SandBlast Agent 能够全面实时监控各威胁向量,从而在不影响工作效率的情况下,支持员工随时随地安全办公。
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。