2026年1月5日,美国西雅图——ZAST.AI宣布完成600万美元Pre-A轮融资。本轮投资来自知名投资机构高瓴资本,使ZAST.AI的总融资额接近1000万美元。这标志着领先资本市场对一种新解决方案的认可:结束安全工具高误报率的时代,让每个警报都真正可操作。
2025年,ZAST.AI在数十个热门开源项目中发现了数百个零日漏洞。这些发现通过VulDB等权威漏洞平台提交,成功获得了119个CVE编号。这些不是实验室目标,而是支撑全球业务的生产级代码。受影响的知名项目包括Microsoft Azure SDK、Apache Struts XWork、阿里巴巴Nacos、Langfuse、Koa、node-formidable等广泛使用的组件和框架。
正是在这些广泛采用的开源项目中,ZAST.AI发现了数百个真实、可利用的漏洞,并提供了可执行的概念验证(PoC)证据。来自微软、Apache和阿里巴巴等顶级技术公司的项目维护者已经根据ZAST.AI提交的PoC修复了他们的代码。
"在传统的代码安全分析领域,高误报率一直是困扰企业安全团队的核心痛点。安全工程师经常需要花费大量时间手动验证工具生成的警报,导致效率极低,"ZAST.AI联合创始人杨耿表示。"'报告很便宜,给我看PoC!'这是创立ZAST.AI的初衷——我们相信只有经过验证的漏洞才值得报告。"
ZAST.AI的核心创新在于其"自动化PoC生成+自动化验证"技术架构。与传统静态分析工具不同,ZAST.AI利用先进的AI技术对应用程序进行深度代码分析。它不仅能自动生成利用漏洞的概念验证代码,还能自动执行并验证PoC是否成功触发漏洞。最终报告仅呈现经过实际验证的真实漏洞,实现突破性的"零误报"效果。
"这不是优化,而是重构,"高瓴资本代表表示。"ZAST.AI重新定义了漏洞验证标准,从'潜在风险'转向'已确认漏洞,这是PoC'。这改变了游戏规则。"
在漏洞覆盖范围方面,ZAST.AI不仅支持检测SQL注入、XSS、不安全反序列化和SSRF等"语法级"漏洞,还具备识别语义级漏洞的能力。这包括IDOR、权限提升和支付逻辑漏洞等复杂业务逻辑缺陷——这些长期被认为是自动化工具难以触及的领域。想象一下,你的安全工具每天都在"狼来了",误报率超过60%。当真正的"狼"出现时,团队可能已经麻木了。这不是人的问题,而是工具缺陷——它们只能猜测,无法证明。
目前,ZAST.AI已经服务多家企业客户,包括《财富》全球500强公司。通过自动发现未知漏洞并直接提供可运行的PoC漏洞报告,ZAST.AI帮助客户显著缩短漏洞修复周期,明显降低安全运营成本,并获得了客户的高度认可。本轮融资将主要用于核心技术研发、产品功能扩展和全球市场开发。CEO杨耿表示:"我们的愿景是构建端到端的AI驱动安全平台,让每个开发团队都能以最低成本获得最高质量的安全保障。未来,ZAST.AI将继续深化AI+安全领域的技术创新,为全球客户提供更智能、更精准、更高效的代码安全解决方案。"
Q&A
Q1:ZAST.AI的"零误报"技术是如何实现的?
A:ZAST.AI采用"自动化PoC生成+自动化验证"技术架构,利用先进AI技术进行深度代码分析,不仅能自动生成利用漏洞的概念验证代码,还能自动执行并验证PoC是否成功触发漏洞,最终报告仅呈现经过实际验证的真实漏洞。
Q2:ZAST.AI能检测哪些类型的安全漏洞?
A:ZAST.AI不仅支持SQL注入、XSS、不安全反序列化和SSRF等"语法级"漏洞检测,还具备识别IDOR、权限提升和支付逻辑漏洞等复杂业务逻辑缺陷的能力,这些都是传统自动化工具难以触及的语义级漏洞领域。
Q3:ZAST.AI在2025年取得了哪些实际成果?
A:2025年,ZAST.AI在数十个热门开源项目中发现了数百个零日漏洞,通过VulDB等权威平台获得119个CVE编号。受影响项目包括Microsoft Azure SDK、Apache Struts XWork、阿里巴巴Nacos等知名组件,相关厂商已根据提供的PoC修复代码。
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。