网络安全公司Palo Alto Networks近日宣布以1.56亿美元现金收购以色列云安全公司Bridgecrew。这是Palo Alto Networks收购的第七家以色列公司,以色列长期以来一直是孕育网络安全公司的温床。
Palo Alto Networks表示,这次收购将把安全性更早地内置到Palo Alto产品中,特别是使Palo Alto的Prisma Cloud成为第一个覆盖整个应用生命周期(从构建软件到运行软件)的云安全平台。
Bridgecrew开创了“向左转移”的概念,也就是开发人员和DevOps团队在整个应序开发过程中都实施了基础设施安全标准,此外还强调“基础设施即代码”,也就是在应用开发期间设置基础设施配置。
Palo Alto Networks首席执行官Nikesh Arora在一份声明中说:“向左转移是任何云安全平台的一个必备条件。”当两家公司合并的时候,“Prisma Cloud客户将从这种内嵌了安全性的云基础设施中受益。”
Bridgecrew的开源基础设施即代码扫描工具Checkov在推出的第一年也就是2020年的下载量就超过了100万次。
根据以色列Calcalist的说法,Bridgecrew已经累计筹集资金1800万美元,其中包括去年4月A轮融资获得1400万美元,因此Bridgecrew的投资者将获得9到10倍的投资回报。Bridgecrew的早期投资者包括Battery Ventures、DNX Ventures、Homeward Ventures、NFX、Tectonic Ventures和Sorensen Ventures。
Palo Alto Networks此外还宣布了一项针对远程工作者的产品更新,为其Prisma Access平台带来了更强的安全性以及更好的管理功能和性能。
Prisma Access是一个“安全访问服务边缘”(SASE)平台,使用户可以从任何位置安全地访问互联网、基于云以及基于数据中心的应用。本质上Prisma Access是一种防火墙即服务,可为企业所有应用提供安全的网络,通过将威胁情报与对网络流量持续检查相结合,防止网络攻击。
此次更新的Prisma Access 2.0增加了Palo Alto Networks所谓的“机器学习驱动的安全”,使用机器学习算法来防止任何实时攻击,并自动执行策略建议。
新版本还增加了Autonomous Digital Experience Management,该功能让企业组织可以更好地进行运营监控和可视性,包括查看访问基础设施、移动用户和分支机构运行状况的能力。
其他新功能还包括带有显式代理的新云安全Web网关,让客户可以更轻松地从基于旧版网络迁移到Palo Alto基于云的网络工具。此外,Prisma Access增加了基于云的统一管理体验,有助于简化配置、报告和数字体验监控,以及一些新的物联网安全功能可以帮助保护物联网设备。
Palo Alto说,经过这次更新,Prisma Access平台被评为保护远程工作者安全的最完整、最好的平台。
Palo Alto高级副总裁、防火墙即平台业务总经理Anand Oswal表示:“远程办公成为很多企业组织一项重要的长期计划,一流的安全性、对所有应用的安全访问以及优化的用户体验都成为业务的必需条件。要实现这一目标,企业组织必须重新考虑他们的网络安全架构,而这正是Prisma Access 2.0的基石。”
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。