2021年6月18日,以“新IN力 御万象”为主题的 TI Inside 威胁情报应用生态协同峰会将在北京举办,此次峰会将广泛邀请网络安全产业专家、网络安全产业龙头代表、威胁情报生态合作机构、分析机构以及媒体,分享威胁情报SaaS应用的最佳实践,共建“TI Inside”生态策略,推进安全行业威胁情报生态协同。
在安全环境复杂程度持续增长、已知与未知安全威胁相互交织的背景下,威胁情报已经成为网络安全治理的重要基础。IDC 的调研数据显示,威胁情报可以将企业发现威胁的速度提高 10 倍,响应和解决威胁的速度提高 63%,并在受到攻击之前主动识别出 22% 的安全威胁,这有助于企业显着降低安全风险,同时推动安全运营效率的提高。
正是由于认识到了威胁情报的重要性,各大主流安全服务提供商纷纷在产品开发中投入大量资源来增加威胁情报功能属性,但问题也随之凸显:由各服务商独立开发的威胁情报处于封闭、孤立的状态,无法充分聚合、共享;且如果没有持续的专业投入,也难以保持热数据更新,无法应对日趋精进的网络安全威胁,市场竞争力也迟迟难以提升。
TI Inside生态模式正是解决这一问题的最佳实践。
Threat Intelligence Inside(TI Inside)作为一种生态模式,在国际、国内的安全行业已日趋成熟,并成为威胁情报厂商与安全行业解决方案实现能力融合,共同为客户解决安全实际问题的最佳实践。该战略能够将威胁情报的价值,与自身安全设备或平台的特长能力相结合,提升客户价值以及自身的竞争力。
在本次峰会上,天际友盟邀请了众多业界威胁情报专家,将共同深度阐述 TI Inside战略的内涵,以及 TI Inside 战略在助力安全服务提供商开发内置威胁情报的网络安全防护设备、降低威胁情报开发成本等方面的优势。同时,该峰会也将倡导安全厂商共建“TI Inside”生态策略,实现天际友盟的威胁情报能力与百大安全厂商的集成联动目标,形成新的协同生态效应。
本次峰会还将围绕以下话题进行展开:
打造威胁情报技术盛宴:怎样才能把威胁情报嵌入安全产品,威胁情报应当具有哪些特点才能满足不同安全厂商的需求?在此次峰会上,网络安全专家将分享威胁情报领域的最新技术创新与发展趋势。
构建威胁情报生态:作为威胁情报领域的一次盛会,TI生态协同峰会将更深入地“谋篇布局”,力图实现威胁情报应用的生态协同,协同构建国内富有影响力的威胁情报生态,加速威胁情报在客户实际业务的落地。
分享TI Inside产品与方案:作为威胁情报领域的领先企业,天际友盟拥有着丰富的情报数据种类、多样的情报应用产品与强大的情报服务能力。在此次峰会上,天际友盟将带来基于 TI Inside 理念的产品、方案以及最优实践。
倡导TI Inside协同:本次峰会还将发布 TI Inside的最新合作模式,倡导包括安全设备厂商、网络威胁情报厂商在内的更多企业加入到TI Inside生态之中,共同助力威胁情报的创新与共享,构建更加清朗的网络安全世界。
【扫码可参与线上直播报名】
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。