2023 年 10 月18日 — Check Point® 软件技术有限公司(纳斯达克股票代码:CHKP)今日宣布推出 Quantum SASE。该解决方案集成了来自新收购的 Perimeter 81 公司的先进技术,可满足企业对统一用户体验、简化安全访问服务边缘 (SASE) 管理以及快速、安全浏览体验的需求,这款统一的 SASE 解决方案增强了 Check Point Infinity 架构,可提供更快速的的互联网安全防护、全网状零信任访问以及具备行业领先威胁防护能力的安全 SD-WAN;该发布进一步凸显了 Check Point 在高级云安全防护领域的领导地位。
随着混合办公模式的兴起,企业开始采用多种云服务,如今 90% 的企业在多云环境中运营。企业正在从本地互联网安全防护转向云端互联网安全防护。然而,无论在哪种场景中,所有流量都被重定向到一个位置进行检查,其延迟问题往往让用户倍感不便。Quantum SASE 解决方案通过一种混合方法解决了互联网安全延迟问题,该方法不仅提供对直接互联网访问的设备保护,而且还可在需要时使用云检测。因此,其互联网安全防护速度比市场上的其他解决方案快 2 倍。
Check Point 软件技术公司安全服务副总裁 Amit Bareket 表示:“随着数字领域和物理领域之间的界限越来越模糊,企业需要采用一种全面、整合、协同的安全战略。凭借 Quantum SASE,Check Point将 成为用户首选的安全合作伙伴。Check Point 混合 SASE 解决方案由三个关键组件组成:设备网络保护、云端网络保护以及内置 SD-WAN 和物联网安全防护的统一安全网关。随着更多企业拥抱混合办公模式和云集成,Quantum SASE 将成为安全网络的未来。”
Quantum SASE 的主要特性包括:
Check Point 致力于提供下一代 SASE 和预防为主的安全防护。Quantum SASE 进一步提升了 Check Point Infinity 架构的价值,后者最近在 Forrester Wave™:2023 年零信任平台提供商报告中被列入“领导者”行列。借助最快、最安全的下一代防火墙和 SASE,Check Point 可帮助企业有效抵御混合和云环境中的网络威胁。
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。