“办公模式已经真正永久地从一个办公地点变成了一种办公体验。同样地,安全产品组合也不再是一个在网络边缘进行健康检查的地方,这一点不足为奇了。现在我们必须随时随地、在任何设备上实现真正的安全弹性,”思科合作伙伴销售业务开发全球副总裁Jason Gallo这样表示。
Duo Passwordless Authentication现在已经全面上市,提供给所有安全客户用于保护单点登录应用。用户无需任何密码即可利用生物识别技术(Windows Hello和Mac touch ID)和安全密钥登录。思科还增加了Duo Mobile应用作为无密码身份验证的一个新选项。据思科表示,目前Duo客户在81%的移动设备上都启用了生物识别技术。
Gallo说:“本质上说,客户可以无需密码使用Duo Mobile作为密码验证器。用户现在可以使用支持生物识别的移动设备和手机,无需密码即可安全登录。除了让用户更便捷之外,对网络钓鱼攻击的抵抗力也有所加强,我们已经看到这种攻击行为在市场中普遍存在并且正在不断增长。”
在网络安全方面,思科推出了Secure Firewall 3100系列的最新产品,该系列专为混合办公而设计。Secure Firewall 3105新产品是该组合中成本最低的一个型号,主要针对分支办公机构。据思科称,这款新的防火墙产品可以支持更多的远程用户,并将VPN速度和性能提高了17倍。
Gallo说:“我们发现,在很多情况下这赶超了竞争对手中高端企业防火墙的性价比,”他补充说,中高端企业是思科此次发布的目标客户群。
思科高级副总裁、安全与协作业务总经理Jeetu Patel在主题演讲中对合作伙伴表示:“网络安全是我们正在持续投资的一个核心领域,也是您应该涉足的领域。”
思科还在Umbrella云安全解决方案中提供了更强大的数据丢失防护功能,包括跨API带外DLP和实时内联DLP统一化的策略和报告功能,让安全团队和合作伙伴的管理变得更加轻松。
Gallo表示,带外DLP功能最初将支持Cisco Webex、Google Drive和Microsoft 365,随后将支持其他应用。
思科表示,Umbrella是Cisco Plus Secure Connect思科统一安全访问服务器边缘(SASE)即服务产品的基础组件。Patel说,Umbrella现在已经具有全球规模。
他说:“规模不再是Umbrella的问题,你任何规模的客户都会满意,我们将能够确保他们在Umbrella方面非常成功。”
思科金牌合作伙伴World Wide Technology (WWT)的云和基础设施解决方案区域副总裁Neil Anderson表示,思科的安全实践“取得了长足的进步”。“我喜欢他们采取的云安全方式,我认为这是正确的做法。你可以把私有数据中心视为第四个云,三个云再加上你的私有数据中心,这个想法不错。如果他们能够为工作负载安全构建一个抽象的安全层,那对思科来说就将是一次胜利。”
这次对安全产品组合的更新寻遵循了思科易观的做法,也就是从可见性开始着手,提供可操作的、可预测的洞察,然后缩小差距,采取行动,Gallo说。
“所有这些都表明,我们正在朝着最终的安全云愿景进发,并且不断取得进展,让客户更接近真正的安全弹性,”他说。
Data3是一家MSP,在这次思科合作伙伴峰会上被评为年度安全合作伙伴。该公司首席技术官Graham Robinson表示,正是思科在安全市场采取了软件的做法,帮助Data3从一家传统的集成商转变为专注于业务成果的公司。
他说:“思科产品组合汇集了大量不同的技术,但对客户而言重要的是要交付业务成果。因此,我们的重点是与客户合作,确定客户成功的优先事项,并实际帮助他们激活、采用、并将技术嵌入到他们的组织中,结果是最重要的。”
最后,思科旗下的Cisco Capital部门现在提供了Cisco Lifecycle Pay for Secure Firewall,这是一种定期订阅支付产品,为合作伙伴及其最终客户提供了经济上的激励措施,在免除了所有权负担的同时降低了总成本。
思科表示,客户在复购现有防火墙硬件并升级到思科最新认证防火墙技术的时候,将可以获得10%的升级奖励。
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。