Sophos 如何阻止 EDR Killer 让端点防护失效
Sophos X-Ops 披露攻击者常用 EDR Killer 工具,通过 BYOVD 技术加载合法签名的漏洞驱动进入 Windows 内核,强制关闭端点防护进程,且同一工具被多个勒索软件团伙反复改造使用。
Sophos X-Ops 披露攻击者常用 EDR Killer 工具,通过 BYOVD 技术加载合法签名的漏洞驱动进入 Windows 内核,强制关闭端点防护进程,且同一工具被多个勒索软件团伙反复改造使用。
用 Python 3.15 内置的 profiling.sampling 对未修改的 web-edit 应用做采样剖析,发现混合换行符保留是编辑负载的主要开销:preserve_endings 出现在 15,296 个 CPU 栈的 64.8% 中,SequenceMatcher.find_longest_match 占叶子样本的 38.3%。
LangChain 借助 Deep Agents CLI 与 docs-code-samples 技能,把文档中的内联代码示例迁移为可测试的独立文件,并自动加上 :snippet-start: / :snippet-end: 标记、运行测试、生成 Mintlify 片段。
LangChain 通过 harness engineering 将其编码智能体在 Terminal Bench 上的排名从 Top 30 提升至 Top 5,核心手段包括自我验证、追踪和上下文优化。
GitHub 为密钥扫描训练了专用的 ModernBERT 分类器,替代此前的 LLM 流水线,在保持正则候选召回的基础上结合文件路径、变量名和上下文判断是否为真实凭据。该方案使推送后扫描中位执行时间缩短 86%、服务成本降低逾 98%,用户对告警的接受度提升 11.5%,并让通用密钥检测得以扩展到推送保护阶段。
Orca Security 与 AWS 合作,基于 Amazon Bedrock 构建了自然语言查询智能体 Discovery AI,可将自然语言问题转换为 Sonar 查询。相比最初基线,查询成本降低 90%、输入 token 减少 93%、延迟降低 75%,目前每天处理数千次查询,响应时间 15 秒。
基于 Amazon Bedrock AgentCore 构建的 AI 智能体系统可自动生成 PowerPoint 演示文稿,内部测试中完成时间不到 90 秒。
Amazon SageMaker JumpStart 提供预训练模型目录,可通过 SageMaker Python SDK 部署模型、运行轻量可重复的性能测试,并在测试完成后删除端点。
在 AI Runtime 上微调 Qwen 3.8 27B 的训练时间从 7 小时 44 分钟降至 1 小时 17 分钟,提速 6 倍,训练吞吐从 9,396 tok/s 提升。
MarkTechPost 发布 2026 年 9 大 AI 网关排名,Bifrost 以 Go 二进制、Apache 2.0 许可和 5,000 RPS 下 11 µs 开销位列自托管性能第一,Portkey 以 MIT 许可、1,600+ 模型和内置护栏居次,LiteLLM 凭 53.8K GitHub stars 和 100+ 提供商覆盖最广。
Deep Agents SDK 通过卸载、摘要和文件系统抽象来管理长时 AI 任务的上下文,以防止上下文腐化。该 SDK 面向长时间运行的任务场景,将上下文管理拆解为 offloading、summarization 与 filesystem abstraction 三种手段。
Databricks 发布 2026 年实时分析实践指南,聚焦企业如何将分析负载从批处理转向实时处理。数据始终是业务决策的核心,而多数分析工作负载仍以批处理为主。
Amazon Bedrock 的托管授权支持从中心账户订阅 AWS Marketplace 私有定价优惠(MPPO),再向组织内多个账户分发模型访问权限。
针对 MoE 模型在解码阶段因 token 行数过薄导致的 GPU 利用率瓶颈,团队通过 Swap-AB 转置让专家维度 N=8192 进入 WGMMA 首个操作数位置,在 H200 上实现端到端输出吞吐提升 2–4%,该优化已合入 vLLM 0.24.0 及更高版本。
AWS 发布 Ray LLM Deep Learning Containers,可在 Amazon EKS 上把单个大语言模型跨两个 GPU 节点部署,将 prefill 与 decode 分离到不同节点并统一在一个 OpenAI 兼容端点后。
AWS 发布 llama.cpp 专用深度学习容器(DLC),可在 Amazon SageMaker AI 上以 CPU 或 GPU 托管量化模型,并通过 InvokeEndpoint 提供 OpenAI 兼容的 chat completions。
Python 3.15 发布,Simon Willison 介绍了该版本的主要新特性,包括 PEP 810 显式惰性导入、推导式解包语法,以及标准库新增的采样分析器 Tachyon(profiling.sampling)。
GitHub Copilot 可通过四种方式定制项目上下文:用 .github/copilot-instructions.md 定义仓库级规范,用 .github/instructions 配合 applyTo 字段做路径级指引,用 .github/skills 下的 SKILL.md 封装可复用流程,用 .github/agents 创建专用自定义智能体。
The Verge 编辑在 M5 Ultra Mac Studio(256GB 统一内存)上安装开源 Hermes Agent,并选用 125B 参数、约 105GB 的 Qwen 3.8 Flash Next 本地模型,尝试用 Telegram bot 远程控制。他用它生成每日简报、整理 400 多款 Steam 游戏并做本地数据分析,但坦言面对空白提示框不知所措,本地 AI 仍令人兴奋又沮丧。
Postman 的 Agent Mode 运行在 Amazon Bedrock 上,为 4000 万开发者提供跨 API 测试、文档、发现与实现的 AI 原生工作方式。
Simon Willison 用 ChatGPT 桌面版 Codex 标签页的语音对话模式,在做饭的约半小时里几乎全程靠语音为博客开发出 Newsletters 页面,模型为 GPT-6 Astra High。
Ai2 用 GPU 时间预算、分层公平分配和时间切片契约替换了原有的优先级调度器,把各研究项目该分多少 GPU 时间的争论从逐案运维操作转为透明的行政预算流程。
Token Security 联合创始人兼 CTO Ido Shlomo 提出,AI 智能体越权使用凭证的根源在于 AWS 等系统只校验签名而不校验持钥者身份,因此管控应落在工具调用层。他列举托管智能体设置、运行时钩子、网关、沙箱和端点管控五种执行点,并指出推理检查属概率性控制,无法替代能实际阻断操作的缓解措施。
Hugging Face 作者借助 HuggingChat 中的 ML Intern,用提示词驱动完成六个模型的训练、评测与发布,总计算花费约 103 美元。其中把 Qwen-Image 2.1 的 9B 提示词改写器蒸馏成 0.8B 版本,可在 CPU 上运行,输出有效率 99.7%,token 用量约为教师模型的四分之一。
推荐理由:作者用六个真实项目复盘了如何用提示词驱动 ML Intern 完成训练、评测与发布,可迁移到自己的模型定制流程。
Amazon SageMaker HyperPod 推出基于 EKS 的多租户参考架构,让多个团队共享同一 GPU 集群并保持隔离与资源公平。
AWS 发文解读国际标准 ISO/IEC 42005:2025,指导企业将 AI 系统影响评估纳入整体风险管理体系。该标准覆盖评估全生命周期,Annex D 提供与现有评估流程整合的方法以避免重复,Annex E 提供独立评估模板。
Parseable 是一款兼容 OpenTelemetry 的全新可观测性工具,提供 AGPL 开源 Rust 实现(单个约 180MB 二进制文件)、企业版和云托管选项。
基于 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 与 Amazon Bedrock Knowledge Bases,可搭建一套航空语音旅行助手,让旅客通过语音查询行程、改座位、更新餐食偏好并转接人工客服。
Amazon SageMaker HyperPod 通过 SageMaker Unified Studio 连接项目后,需在组织、项目、集群、工作负载四层保留底层治理控制。集群的 IAM、Amazon EKS RBAC 或 Slurm 控制不会被项目连接取代,应集中在一个容量账户中管理加速器容量,并用 IAM 角色和资源策略控制对 Amazon S3、AWS KMS 等资源的访问。
AWS 官方博客介绍如何在 Amazon Bedrock AgentCore runtime 上运行开源智能体系统 OpenClaw,构建带长期记忆的个人助手。
AWS 提出 Agentic Value Model,用于替代为 RPA 设计的传统 ROI 模型,从时间节省、异常处理、决策质量和变更韧性四个维度衡量智能体自动化的价值。
AWS 提出一套六周结构化培养方案,让非工程背景的业务人员用 Amazon Bedrock、AgentCore 和 Strands Agents SDK 构建可运行的 AI 原型。
Cornerstone OnDemand 基于 Amazon Bedrock 和 Strands Agents 构建多智能体系统 Orion AI,将数据库诊断时间从 45 分钟降至 10 分钟,减少 78%。该系统由三人团队在六个月内交付,同时把 10 步以上手动生命周期操作压缩为一次交互,并将冗余告警中位数削减 65%。
Picus 指出,Agentic Pentesting 能通过实际执行漏洞利用证明单个暴露点是否可利用,并验证从初始访问到横向移动的完整攻击链,但仅覆盖典型企业约 20% 至 30% 的真实可利用面。其全量扫描 25 万个端点需数周,而 2026 年披露到利用的平均时间已从 2025 年的 21.5 天压缩至 8 小时,生产系统、隔离区及无可用 exploit 的 CVE 均无法被实弹测试覆盖。
针对 AWS DevOps Agent 只诊断不改动生产资源的问题,该方案用 Amazon EventBridge、AWS Lambda Durable Functions 和 Amazon Bedrock 搭建自动修复工作流,把调查摘要转为预验证的修复动作。