美国新思科技公司发布其最新版本的软件安全构建成熟度模型——BSIMM9。该模型旨在帮助企业规划、执行并评估其软件安全计划（SSIs）。

想象一下，你是一名机器学习研究者，发现了一篇非常有趣的论文，但作者没有提供源代码。如果你想验证论文结果或在此基础上进行改进，你必须从头开始实现整个方法。这就像看到一道美食的菜谱，但没有详细的烹饪步骤，你只能靠自己的理解去尝试复现。

西门子专门为大型活动场所开发了数字孪生技术，该技术能够真实再现并精确地模拟建筑物的声学和结构。

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。

无线技术的未来，其实比想象中来得更快。6G技术的出现有望带来更高的性能和灵活性，其应用场景将远超我们今天的无线系统。预计到2030年代初，这些下一代网络就会投入商用，而整个行业正从研究阶段逐步转向开发和标准化阶段。

这项研究由Writer公司团队开发的"反思、重试、奖励"机制，通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时，它会生成反思并二次尝试，若成功则奖励反思过程。实验表明，该方法在函数调用和数学方程解题上带来显著提升，最高分别改善18.1%和34.7%。令人惊讶的是，经训练的小模型甚至超越了同家族10倍大的模型，且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。

营销人员如何转换信息并使数据更有意义和用处呢？

基于龙蜥操作系统（Anolis OS）打造的阿里云第三代发行版操作系统 Alibaba Cloud Linux 3（以下简称 Alinux 3） 的 CIS 安全基线（Alinux 3 CIS benchmark v1.0.0 版本）正式完成了CIS 认证 ，这意味着云上企业的安全性保障将更上层楼。

生成式人工智能引入的新漏洞会放大现有的安全风险，降低新漏洞风险需要多方面的应对策略。白皮书提到，应对从传统网络安全缺陷到新型人工智能在内的等各种特定威胁，都需要人类专业知识、持续测试和协作。

咨询公司KPMG与丹麦工业大学（DTU）的一个研究团队和一家未给出名字的欧洲银行合作，试图利用量子计算来决定股票的买入和沽出，目的是获得最大回报，这是一宗古老的银行业务，名为投资组合优化。

新思科技发现近几个月，依赖仓库劫持漏洞（简称为Repo Jacking）持续增加，对开源仓库的威胁也越来越普遍。

2月6日是2024年的“国际互联网安全日”，自2004年国际互联网安全日（Safer Internet Day）倡议发起以来，这一聚焦青少年上网安全的国际性宣传活动已走过21个年头。

华中科技大学联合华为和上海交大研究团队开发出革命性3D人体重建系统Snap-Snap，仅需正面和背面两张照片即可在190毫秒内生成完整3D人像。该技术突破了传统方法对昂贵设备和复杂人体先验模型的依赖，通过智能几何推理和侧面增强算法实现高质量重建，为虚拟现实、游戏开发等领域的大众化应用奠定基础。

想象一下，你正在使用一位非常聪明的私人助教来解决复杂的数学问题。这位助教擅长通过"思考过程"来逐步分析问题，但他的思考过程往往很冗长，需要写满好几页纸。虽然最终答案往往是正确的，但如果你赶时间，或者纸张有限，这种详尽的分析就会成为一种负担。

勒索软件攻击最近层出不穷，呈现愈演愈烈之势。Akamai安全技术团队副总裁兼首席技术官Charlie Gero对近期发生的重要攻击事件进行了如下分析，并为企业指明了防御手段和方法。

想象一下，你在阅读一份复杂的科学报告，里面充满了图表和数据。作为人类，你能够轻松地看懂这些视觉内容，并且进行复杂的思考和推理。但对于人工智能来说，这却是一个巨大的挑战。

这篇文章介绍了 14 款在心理健康领域具有创新性的生成式 AI 工具，涵盖正念应用、聊天机器人、个性化疗法助手以及 AI 驱动的日记记录。虽然 AI 还无法完全替代专业治疗师的人性关怀，但这些平台正在为更广泛人群提供便捷、匿名的支持和指导，推动数字心理健康护理的普及与革新。

Arc Intelligence公司的这项研究颠覆了AI优化的传统观念，发现在GPU内核代码生成任务中，简单的"多试几次再选最好的"策略比复杂的"边学边改进"方法效果更好。通过对比实验发现，多样化采样达到90%成功率，而实时训练仅为30.6%。研究还提出了"惊讶度引导选择"策略，选择AI认为意外的正确解决方案，成功率提升30%。这一发现挑战了"更多训练总是更好"的假设，为密集反馈任务的AI优化提供新思路。

随着 LLM 的快速发展和改进，我们正在面对新的挑战和机遇。LLM 的能力和表现水平不断提高，这使得基于单词出现的评估方法（如 BLEU）可能无法完全捕捉到 LLM 生成文本的质量和语义准确性。LLM 能够生成更加流畅、连贯且语义丰富的文本，而传统的基于单词出现的评估方法则无法准确衡量这些方面的优势。

如果某一代ASIC性价比太低、散热不理想，亦或不够快，您可以等待下一代制程的半导体技术，然后在技术浪潮中获得更快、更便宜、更低功耗的 ASIC来实现。在网络系统一代一代的迭代中，仍然需要做很多艰苦的工作，但您仍从新技术本身中受益很多。