跳到正文
10月14日周三
  1. 安全实践GitHub Blog · AI & ML40

    GitHub 用 ModernBERT 分类器重构密钥扫描:误报减少、成本降 98%

    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。

10月13日周二
10月11日周日
  1. 教程The Verge · AI22

    在本地跑 AI 模型:兴奋、不知所措又令人沮丧的体验

    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。

10月10日周六
10月9日周五
  1. 安全实践BleepingComputer22

    如何将 AI 智能体限制在其权限范围内

    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。

  2. 安全实践Hugging Face Blog70

    作者用 ML Intern 两天训练六个模型,总花费约 103 美元

    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。

10月8日周四
  1. 教程AWS Machine Learning Blog22

    Amazon SageMaker HyperPod 管理与治理最佳实践

    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。

10月7日周三
  1. 安全实践The Hacker News22

    什么是 Agentic Pentesting?它能证明什么,又在哪里止步

    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。