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)今日宣布在基于云的部署中推出 SandBlast Network,以支持中国企业采取预防为主的策略来应对最具破坏性的攻击,包括未知的勒索软件、木马、网络钓鱼和社会工程攻击。中国企业现在能够以较低的成本享受强大的威胁防御服务,而且无需维护,这可推动其迁移至云计算和云优先战略。
Check Point 软件技术中国区经理 Simon Chen 表示:“当今中国企业正在寻找合适的解决方案来保护其基础设施免受最高级的威胁,同时满足数据驻留和隐私需求。在本地部署之外,SandBlast Network 通过将高级网络威胁防御和威胁提取功能整合到可通过云交付的单个解决方案中,充分满足了这些需求。通过结合使用防规避的威胁模拟、革命性的 AI 引擎以及可预先清理电子邮件和 Web 下载内容的威胁提取功能,它能够提供强大的零日保护功能。”
SandBlast 威胁提取可通过在后台执行模拟,保障业务流免受干扰,并消除了传统沙箱造成的长时间延迟,提供了一种切实可用的预防为主的安全策略,从而有效防止恶意内容危及用户。
全球安全事件中 94% 涉及电子邮件,因此防御网络钓鱼、企业电子邮件泄露 (BEC) 和其他基于电子邮件的威胁已成为当务之急。SandBlast 网络邮件传输代理 (MTA) 可通过使用威胁模拟对每个附件进行沙箱保护,使用威胁提取将电子邮件快速传递给最终用户并进行强大的反网络钓鱼和反垃圾邮件检查,保护用户免受这些威胁的侵害。借助这些及其他技术,SandBlast Network 可在电子邮件进入用户邮箱之前消除潜在的风险。
充分利用 AI 和安全情报
SandBlast Network 还借助数据科学的力量来检测最新威胁,它利用穷举式 AI 引擎和基于丰富规则的引擎来处理从运行时行为中收集而来的数百万个参数,从而基于 AI 做出最终判断。AI 启发式算法会针对发布到野外的最新威胁不断进行优化。
Check Point ThreatCloud 包含一个超大规模的实时安全情报存储库,每天为 40 亿安全决策提供支持。ThreatCloud 使用突破性的 AI 引擎来检查可疑文件和电子邮件,以确定它们是恶意还是无害。ThreatCloud 通过从以下来源广泛收集网络攻击数据来支持 SandBlast Network 的零日保护(包括反网络钓鱼和安全浏览):
•云、端点和网络中全球数亿受保护的资产
•超过 100,000 个安全网关
•Check Point 研究实验室的领先研究
•业界最佳的威胁情报源
中国用户在满足把敏感数据保存在本地的合规性同时,可以无缝享受到业内领先的全球安全情报系统。
易于部署和管理
SandBlast Network 通过开箱即用的最佳实践配置文件消除了为每个网段(无论是数据中心、访客网络、边界网络、内部网络还是其他)手动配置策略的需求,支持安全策略的一键设置。根据业务需要优化的网络设置可提供最有效的安全性,同时保持最佳的网络性能。通过仅部署与受保护的特定网段相关的策略,组织可以释放带宽和处理能力,从而提高零日保护策略的成本效益。
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。