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（LLMs）生成的幻觉现象，即逻辑连贯但事实不正确的回复。提出了新框架PRISM，通过提示引导LLMs内部状态的结构变化，以提高文本真实性的检测能力。实验结果表明，该框架增强了幻觉检测方法的跨领域泛化能力。

本研究提出了一种开放词汇航空物体检测（OVAD）的新定义，旨在解决现有算法只能检测预定义类别的问题。通过CastDet框架，结合多种策略和教师模型，显著提升了新类别物体的检测能力和精度。

该论文提出了一种自适应水印策略，以提高大型语言模型生成文本的安全性和检测能力。研究开发了水印算法和WMAdapter插件，能够在生成过程中嵌入水印，确保图像质量和鲁棒性。此外，基于数据驱动的方法和新的水印技术显著提升了性能和检测质量，保护AI生成内容的知识产权。