Обнаружены критические уязвимости в PHP, в результате чего некоторые страны временно отключили веб-сайты

В рамках выпуска TCS+, спонсируемого Arctic Wolf, менеджер по продажам в стране Джейсон Охли и старший системный инженер Андре Ден Хонд обсуждают, почему Южная Африка несет основное бремя программ-вымогателей в Африке и какие шаги могут предпринять предприятия.

Обзор отчета Интерпола

Оба спикера анализируют отчет Интерпола, согласно которому 92% обнаружений программ-вымогателей на континенте приходится на Южную Африку. Охли объясняет, что такие факторы, как высокая степень связанности страны, крупный сектор финансовых услуг и значительный средний рынок, способствуют этой ситуации, наряду с тактическим, а не проактивным подходом к обеспечению безопасности.

Ден Хонд разъясняет, как системы агентного искусственного интеллекта способны автоматизировать цепочку атак, адаптироваться при неудаче эксплойта и работать непрерывно, ставя малые и средние предприятия непосредственно под удар.

Дополнительные аспекты киберугроз

Спикеры также освещают причины сокращения времени между выявлением уязвимости и ее использованием, растущую тенденцию злоумышленников к краже данных вместо их шифрования, а также проблемы с покрытием расходов киберстрахованием.

В ходе обсуждения были затронуты следующие моменты: почему малые и средние предприятия, поставляющие товары крупным компаниям, становятся лазейкой для атакующих, включая недавний взлом группы южноафриканских страховых компаний; каковы скрытые издержки взлома, такие как среднее время простоя в 22 дня, потеря дохода, простой персонала и ущерб репутации; пример клиента, который отложил покупку мер безопасности из-за стоимости и позже пострадал гораздо сильнее; методы оценки финансового воздействия киберрисков и важность аргумента о возврате инвестиций на уровне совета директоров; сравнение проактивной и реактивной безопасности и отсутствие универсального решения; вопрос о том, успевают ли регуляторы Южной Африки за развитием угроз, и перспектива ответственности директоров; а также причина, по которой создание собственного круглосуточного центра операций по безопасности редко имеет финансовый смысл.

Компания Tongyan Lingzhi, которая является дочерней структурой индустриальной платформы Пекинского института общей искусственного интеллекта (BIGAI), представила свой подход к концепции персонального ИИ. Этот подход предполагает создание моделей, которые непрерывно обучаются на основе данных конкретного человека, проекта или компании, вместо того чтобы полагаться исключительно на запросы и поиск информации.

Большинство существующих корпоративных систем ИИ сегодня адаптируются к пользователям извне. Они используют запросы для установления правил, извлекают документы через поиск, хранят состояние в памяти и упаковывают многократно используемые шаги. Однако сами веса модели редко изменяются после взаимодействия.

Tongyan Lingzhi утверждает, что стабильные привычки, например, инженерные стандарты команды или дисциплина управления рисками инвестиционной группы, могут быть интегрированы непосредственно в параметры модели. Архитектура компании предусматривает сохранение общей базовой модели для обработки общих знаний и рассуждений, к которой добавляются легковесные адаптеры Personal LoRA для каждого отдельного пользователя, проекта или организации. Компания отмечает, что эти индивидуальные возможности должны сохраняться даже в случае замены базовой модели.

Для поддержания обучения этих адаптеров команда разрабатывает механизм рекурсивного самосовершенствования, или RSI. Трассировки задач, корректировки со стороны человека и полученные результаты становятся потенциальными данными для обучения. Специальный оценщик, настроенный под стандарты каждого пользователя или компании, отбирает сигналы, которые стоит изучить перед внесением инкрементального обновления LoRA. Обновленная модель затем запускается на тех же задачах, что и предыдущая версия, и в рабочую среду выводятся только улучшения, тогда как регрессии отменяются.

Технический директор Чу Бинбин подчеркнул, что один отклоненный вариант является лишь сигналом, и только повторяющиеся закономерности должны становиться обучающими данными. Кроме того, компания работает над созданием инфраструктуры, позволяющей сделать тысячи таких адаптеров доступными. Система TIP выполняет обучение и инференс параллельно на одних и тех же GPU, а Paged LoRA управляет памятью адаптера страницами. В одном тестовом этапе с использованием Qwen2.5-72B-Instruct на восьми GPU Nvidia H800 и бюджетом памяти адаптера в 5,79 ГБ, Paged LoRA продемонстрировала лучшую задержку и поведение в «хвосте» по сравнению с плоским макетом, когда запросы LoRA составляли от 1% до 30% трафика, однако производительность снизилась при достижении 50%.

Tongyan Lingzhi признает, что работа находится на ранней стадии. Хотя технический путь RSI и архитектура продукта определены, и модули находятся в стадии проектирования, полностью автоматизированный цикл обучения все еще находится в разработке. Среди открытых проблем остаются катастрофическое забывание, загрязнение обратной связью и дрейф модели.

Beijing Academy of Artificial Intelligence (BAAI) представила FlagOS 2.2 — последнюю версию своего открытого программного стека, предназначенного для запуска моделей искусственного интеллекта на различных архитектурах чипов. Этот релиз вышел 30 сентября и был продемонстрирован на Конференции по открытым вычислениям ИИ в Пекине 17 октября 2026 года. BAAI характеризует это обновление как переход от адаптации моделей под множество чипов к оптимизации общего кода для них.

Основным достижением является масштаб. FlagOS 2.2 охватывает девять библиотек операторов, а количество публичных операторов в FlagGems и связанных библиотеках увеличилось с 564 до 1454, что составляет прирост в 890 единиц. Новая библиотека FlagGems-SGLang добавила 40 многочиповых операторов, которые покрывают такие функции, как внимание, обновления состояния Mamba, метод смешивания экспертов, LoRA, сэмплирование и квантование. BAAI утверждает, что благодаря более чем тысяче операторов на 10 типах аппаратного обеспечения ИИ, общая производительность операторов возросла примерно на 27%.

Значительная часть этого роста обусловлена автоматизацией. Генератор операторов KernelGen от BAAI теперь поддерживает девять типов ИИ-чипов и за этот квартал создал 765 новых операторов. Из них 416 прошли проверку точности как минимум на пяти отечественных чипах, достигнув более 80% производительности нативных операторов. Кроме того, инструмент для унифицированной отладки и профилирования FlagPrism связывает данные исходного кода Triton, промежуточное представление компилятора и данные выполнения на устройстве, поддерживая Huawei Ascend, Iluvatar CoreX, Moore Threads, Nvidia и Enflame.

Релиз также включает FlagOS-Compressor для преобразования весов и квантования между чипами. BAAI сообщила, что применение W8A8 к модели Qwen3.5-397B-A17B позволило уменьшить размер файлов модели с 751,41 ГБ до 382,45 ГБ, что является снижением на 49,1%, при этом модель показала 84,85% на GPQA-Diamond. В сочетании с плагинами фреймворков для vLLM, Megatron-LM, SGLang и других, новые модели могут быть адаптированы для до 12 платформ чипов всего за один день после выпуска.

Исследования на примере старого оборудования демонстрируют успехи. На серверах Ascend 910B BAAI отметила, что пропускная способность логического обслуживания модели GLM-5.3-Flash в тесте агентского воспроизведения увеличилась в 2,04 раза по сравнению с уровнем до оптимизации, поднявшись с 8,52 тыс. до 17,36 тыс. токенов в секунду. Модель Xing4.0-29B-A4B от China Telecom была адаптирована для 10 платформ чипов, что привело к снижению времени получения первого токена на 19,87% в тестах с длинным вводом по сравнению с нативными операторами.

BAAI считает, что проблема заключается во временных рамках: более 80% развернутых вычислений ИИ относятся к неновейшему поколению, в то время как модели быстро меняются. Стоит отметить, что все представленные цифры основаны на собственных тестах BAAI, и компания подчеркивает, что фактическая производительность при обслуживании по-прежнему зависит от рабочей нагрузки.