Palo Alto Networks已同意以3亿美元的价格购买Evident.io,让企业云用户能够更轻松地保持其部署的合规性和安全性。
Palo Alto Networks表示,Evident.io(位于美国加利福尼亚州普莱森顿)将通过分析服务和帐户配置以应对严格的安全和合规性控制,扩展基于API的安全功能。预计这次交易将于4月30日完成,Evident.io的联合创始人将加入Palo Alto Networks。
Palo Alto Networks董事长兼首席执行官Mark McLaughlin在一份声明中表示:“我们相信未来企业会变得更加以云为中心,并且需要为云设计预防性方案。随着Evident成为我们平台的一部分,Palo Alto Networks将成为唯一能够提供全面云服务的厂商。”
Palo Alto Networks表示,传统的安全工具往往不能在公有云中良好地运行,迫使企业严重依赖人工检查和审计来验证安全性和合规性。但这是非常耗时的,并且容易出错,超出云的动态性特性。
因此,安全、DevOps和合规团队需要一种自动化且无冲突的方式来保护公有云的工作负载,Palo Alto Networks这样表示。一旦Evident.io与Palo Alto Networks现有云安全产品集成,客户将能够使用单一方法进行持续监控、存储安全性以及合规验证及报告。
因此,Palo Alto Networks表示,安全性,DevOps和合规团队将能够更快地开发和部署新的云应用程序,简化开发人员和安全操作加快部署速度,并不断验证云部署的合规性。
Evident.io联合创始人兼首席执行官Tim Prendergast在一份声明中表示:“Evident.io和Palo Alto Networks的联合功能将让客户对云中更好、更快、更安全地运行充满信心。”另外,Prendergast和联合创始人Justin Landy也将加入Palo Alto Networks。
在周二盘后交易中,Palo Alto Networks股价维持在188.45美元的水平。就在这次收购公布的两天前,特权帐户安全供应商CyberArk刚刚宣布收购Vaultive,以促进针对特权帐户和云管理员的主动性云安全控制。
据LinkedIn显示,Evident.io成立于2013年,现在共有112名员工。Evident.io已经在五轮风险融资中筹集了4910万美元,其中In-Q-Tel和GV(前谷歌风险投资公司)分别领投了最近的两轮。
Evident.io的Evident Security Platform(ESP)让各种规模的企业使其攻击面最小化,并通过单个仪表板提高整体的云安全状况。ESP不断识别和评估AWS和Microsoft Azure部署中的安全风险,为安全人员提供专家的补救指导,并实现无痛安全审计和合规性报告。
Prendergast在Evident.io官方网站上发表的信中说:“这次交易是业界最好的公有云基础设施安全公司Evident.io与公有云安全行业的领导者Palo Alto Networks的结合。我们双方的技术将共同形成世界上最先进的云安全产品。”
Palo Alto Networks云安全和其他技术产品营销总监Chris Morosco在周二下午的博客文章中写道,企业越来越多地使用多个公有云账户和提供商来利用各个云提供商的不同优势。 Morosco表示,落后的安全工具只会增加复杂性并减慢应用的部署速度。
Morosco表示,Evident.io将使团队可以通过统一的方式,跨不同帐户和不同公有云提供商为整个云部署交付这些功能。此外,企业组织可以获得定制的报告,确保他们符合CIS、HIPAA、SOC2、PCI、NIST或ISO标准。
Morosco表示,Evident.io的高级API安全性、合规性报告和公有云验证功能将与Palo Alto Networks的高级威胁防护和云DLP功能无缝结合。Morosco表示,Palo Alto Networks预计在收购完成后立即开始整合。
“Evident.io团队在云创新和解决严峻挑战方面声誉很高,凭借他们的知识和技术,我们将大大扩展我们的云安全功能,”Morosco在博客文章中这样写道。
好文章,需要你的鼓励
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。
这项研究提出了"思想家"(Thinker)任务,一种受人类双重加工理论启发的新型AI训练方法。研究者将问答过程分解为四个阶段:快速思考(严格预算下给出初步答案)、验证(评估初步答案)、慢速思考(深入分析修正错误)和总结(提炼关键步骤)。实验表明,该方法使Qwen2.5-1.5B模型的准确率从24.9%提升至27.9%,DeepSeek-R1-Qwen-1.5B模型从45.9%提升至49.8%。显著的是,仅使用快速思考模式就能达到26.8%的准确率,且消耗更少计算资源,证明了直觉与深度推理作为互补系统的培养价值。
这项由ELLIS研究所和马克斯·普朗克智能系统研究所的科学家进行的研究,揭示了大语言模型安全测试的根本规律:越狱攻击成功率由攻击者与目标模型间的能力差距决定。通过评估500多个攻击者-目标组合,研究团队发现:更强的模型是更好的攻击者;当目标能力超过攻击者时攻击成功率急剧下降;社会科学能力比STEM知识更能预测攻击成功。基于这些发现,研究者建立了预测模型,表明随着AI进步,人类红队测试可能逐渐失效,提示需要发展自动化安全评估方法及更全面地评估模型的说服和操纵能力。
华中科技大学和香港中文大学研究团队提出SATORI-R1,一种通过空间定位和可验证奖励增强多模态推理的新方法。该方法将视觉问答任务分解为图像描述、区域定位和答案预测三个可验证阶段,解决了自由形式推理中注意力分散和训练收敛慢的问题。实验证明,SATORI-R1在七个视觉问答基准上一致提升性能,最高达15.7%,并展示出更聚焦的视觉注意力和更低的训练方差。