云融合的安全和数据保护解决方案提供商梭子鱼网络美国加州时间7月26日宣布其电子邮件安全业务在2019财年第一季度(截至2018年5月31日)实现加速增长。得益于新产品的创新和交付以及持续的MSP增长,梭子鱼电子邮件保护产品的预订量同比增长36%,2018财年第一季度为9%。
“电子邮件安全业务的强劲发展势头让我们颇感振奋,这给梭子鱼的进一步增长奠定了有利基础,”梭子鱼首席执行官BJ Jenkins表示。“我们的产品线很强大,越来越多地企业开始依靠MSP合作伙伴为其提供安全和数据保护服务。我们会继续大力扩展行业领先的产品组合,帮助客户在高度分散的多样化混合云环境中使他们的IT投资效益最大化。”
梭子鱼网络是在安全与数据保护技术领域拥有悠久历史的领导者,最近云融合产品的出货量已超过100万台。另外,公司近期还推出了先进的人工智能(AI)解决方案,以帮助企业防御鱼叉式网络钓鱼和网络欺诈。梭子鱼的创新研发围绕防御有针对性的攻击、人工智能、归档和数据保护等展开,以帮助客户以更智能的方式抵御攻击、降低风险和消除威胁。
通过收购PhishLine的举措,梭子鱼还成为了第一家引入基于人机界面的培训平台的电子邮件安全产品供应商。目前,梭子鱼是唯一一家结合了网关安全、数据保护、基于AI的针对性威胁防护以及用户安全意识培训的安全服务供应商,可为用户提供全面的防范电子邮件威胁的保护。
梭子鱼电子邮件保护业务在2019财年第一季度的财务业绩要点:
· 梭子鱼Essentials MSP增长:梭子鱼Essentials通过其MSP业务实现了销售预订量同比增长232%。
· 电子邮件安全业务增长:第一季度,梭子鱼电子邮件保护产品的全球预订量同比增长36%。
· 用户增长:目前梭子鱼已为全球50000多家电子邮件安全用户提供服务。
梭子鱼电子邮件保护业务亮点:
· 强劲发展势头:
- 每天处理超过10亿封电子邮件。
-归档超过900亿封电子邮件。
· 社会工程防御:
新的梭子鱼Sentinel帐户接管(ATO)功能能够针对被破坏的电子邮件帐户和被恶意行为者用于发送垃圾邮件、病毒和鱼叉式网络钓鱼攻击的电子邮件帐户提供基于AI的检测和修复。这一行业领先的解决方案将内部威胁防护提升到新的水平,降低了内部网络钓鱼和恶意软件的风险,并防止了由于攻击其他企业而造成的品牌名誉损失。
· 培训和仿真:
-梭子鱼进一步扩展PhishLine产品组合,推出了面向千人员工级别的新企业版产品,该版本通过经销商渠道进行销售。目前该产品已推出多个版本,以满足不同规模企业的需求。
-全新的梭子鱼PhishLine等级安全培训版块向企业提供一种独特安全意识培训方式,该方式通过鼓励良好的网络行为让员工参与并提高他们的安全意识。
· 梭子鱼Essentials:
-增强了识别和拦截发送方伪装成内部员工的网络钓鱼功能。
-梭子鱼Essentials对DMARC的支持提供了额外的邮件安全防护。
-其他隐私控制和MSP特定角色使MSP能够更轻松管理和支持其用户群。
·行业认可:
-梭子鱼跻身CRN发布的2018年网络安全领域百强名单:被评为全球最酷的20家网络安全、电子邮件安全和应用程序安全厂商之一,该榜单旨在认可和表彰对网络安全、电子邮件安全和应用程序安全作出突出贡献的厂商。
-梭子鱼在ChannelPro Network 2018年读者选择奖中荣获最佳电子邮件安全厂商金奖。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
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。