Fig Security是一家成立于2025年的以色列网络安全初创企业，专注于安全运营自动化。其创新解决方案通过持续监测安全数据流和检测规则，提升安全检测能力的可靠性。公司已获得约3800万美元融资，并入选RSA Conference创新沙盒，显示出其技术潜力和行业认可，旨在帮助安全团队识别潜在的检测失效问题，确保安全运营的有效性。

将漏洞视为行为指标而非任务清单，有助于更有效地识别威胁并优化安全防护。通过情境化漏洞数据，团队能够预测攻击者行为，实现主动防御。漏洞导向型狩猎结合内部数据与外部情报，提升检测能力，填补可见性盲区，支持持续改进与合规审计。

YOLO系列模型已更新至YOLOv13，性能和效率显著提升，尤其在复杂场景下。新机制HyperACE增强了检测能力，YOLOv13-N的mAP较前版本有所提高。HyperAI整理了适合新手的YOLO数据集，助力项目启动。

尽管企业在安全运营中心（SOC）和检测技术上投入巨资，数据泄露事件仍频繁发生。现有SOC模式已失效，需关注身份安全、配置错误和检测能力等问题。建议加强基础安全、持续验证和情境化检测，以应对复杂攻击。

厦门大学与腾讯优图合作提出AIGI-Holmes，结合大模型与视觉专家，提升AI生成图像的检测能力。该方法通过双视觉编码器和协同解码策略，解决了可解释性和泛化能力的问题，实验结果在各项基准测试中表现最佳。

本文介绍了MemeBLIP2，一个轻量级的多模态系统，结合图像和文本特征，旨在检测有害表情包内容。实验结果表明，该系统能够有效捕捉细微线索，提升检测能力。

本研究提出了CurvaLID防御框架，旨在解决大型语言模型在安全部署中面临的对抗性提示挑战。该框架通过几何特性高效检测对抗性提示，揭示其与良性提示的区别，展现出优越的检测和拒绝能力。

本研究提出了一种基于变换器的算法，用于在TESS全帧图像中识别系外行星过境候选者。该算法无需周期性假设，成功识别出214个新的行星系统候选者，显示出强大的检测能力。

本研究探讨大型语言模型（LLMs）在检测冒犯性语言时的人类注释分歧问题。研究发现，LLMs对注释分歧样本的信心与人类一致性相关，这些分歧影响模型决策，为改进冒犯性语言检测提供了指导。

本研究提出了IOHunter框架，结合语言模型和图神经网络，旨在识别社交媒体平台上的信息操作用户，尤其是恶意行为者。该方法在多个国家的数据集上表现优异，显著提升了检测能力。

本研究探讨了大型语言模型（LLMs）对网络钓鱼邮件复杂性的影响，评估了传统检测器和机器学习模型的识别能力，揭示了现有防御系统的不足，强调了对LLM生成内容的安全控制和监管的必要性。

本文研究大型语言模型的水印问题，将模型畸变与检测能力的平衡视为优化问题。基于绿-红算法，提出了一种在线对偶梯度上升水印算法，实现渐近帕累托最优性，增强检测能力。讨论了模型畸变度量的选择，证明了KL散度的合理性，并指出了“无畸变”和困惑度标准的不足。通过广泛的数据集进行了实证评估。

该研究提出了一种方法来识别对抗场景中的AI生成图像。论文收集了ARIA数据集，包含四种AI生成器的图像及其人工对应物。通过用户研究和基准测试，评估了用户和AI检测器的识别能力，并使用ResNet-50分类器测试其在ARIA数据集上的准确性和可迁移性。

本研究提出了多元显著对象检测（PSOD）方法，解决了传统方法无法处理单一分割结果的问题，并显著提高了显著性对象的检测能力。该方法通过引入新数据集和基线模型，对真实世界图像的复杂性提供了更好的理解。

研究者引入了ID-XCB，一种不依赖数据的去偏技术，用于减轻基于脱节性联想的粗俗词语和事件之间的偏见关联带来的偏见。他们在两个网络欺凌数据集上测试了ID-XCB，并证明其具有学习强大的网络欺凌检测能力，并减轻了偏见。

使用大型语言模型（LLMs）创建有针对性的横向钓鱼邮件，并评估电子邮件过滤基础设施对此类 LLM 生成的钓鱼尝试的检测能力。提供了关于其有效性的洞见，并确定了潜在的改进领域。根据研究结果，提出了基于机器学习的检测技术来检测未能发现的 LLM 生成的钓鱼邮件，F1 分数为 98.96。