据称,不受Meltdown与Spectre影响的CPU即将于今年推出。
英特尔公司已经公布了其下一代处理器——最早将在今年下半年出货——且据称其中绝不存在安全设计缺陷。
过去几个月以来,芯片巨头一次又一次在公开场合与幕后变更立场的作法,确实让人感到有些难以置信。
在面向记者及分析师发表的公开声明与内部简报当中,芯片巨头将说辞由最初的“这些bug被严重夸大了,并不属于实际问题”,转向“确实属于问题,但很容易解决”,再到“确实很难解决,但至少不会引发不良影响”,而后是“虽然会带来些许不良影响,但无需太过担心”,一直到最终的“这些问题非常严重,我们重新设计了处理器方案以解决上述失误。”
日前,英特尔公司表示其即将推出的台式机与服务器处理器将不再受到Meltdown以及两大Spectre变种之一的影响。具体来讲,Meltdown与Spectre Variant 2将在硬件层面得到修复,而Spectre Variant 1则将以软件形式加以解决。Meltdown允许恶意软件访问其内核,换言之可以访问其它应用程序的对应内存空间。Spectre Variant 2可被恶意软件用于读取内核内存,而Spectre Variant 1则允许恶意代码窥探应用程序内存——通常来讲,这意味着某一浏览器选项中的JavaScript代码将可监听另一选项卡中的数据。Variant 1可通过补丁进行修复,从而阻断Spectre类攻击的实施路径。
根据我们掌握的情况,芯片巨头重新设计了其处理器架构以引入“分区”机制,旨在预防恶意软件利用数据泄漏漏洞窥探应用程序、管理程序以及操作系统当中的密码以及其它敏感信息。
我们假设此次修复确实有效,因为英特尔最近已经成功调整微码以解决Spectre威胁。
英特尔公司在本周四表示:“这些变化将从英特尔的下一代至强可扩展处理器起步,并预计涵盖2018年下半年发布的第八代英特尔酷睿处理器。”
换句话来说,您可以通过安装系统修复补丁或者购买新的芯片来解决这个安全问题。目前尚不清楚芯片电路的调整是否会影响到处理器的实际性能,英特尔公司也没有公布与之相关的技术细节信息。根据惯例,每一代芯片都会在上代基础上适当实现性能提升。但由于此次引入的必要调整,下一代芯片恐怕无法带来显著的性能增强效果。
英特尔公司首席执行官Brian Krzanich日前指出,“大家可以将这种分区视为应用程序与用户特权级别之间的额外‘保护性壁垒’,并将成为阻断恶意攻击者的重要屏障。”
Krzanich同时补充称,英特尔公司已经发布了针对过去五年所推出全部产品的微码更新,从而帮助其解决Spectre与Meltdown安全威胁。用户可以从操作系统及主板制造商处获取这些更新。
来自英国萨里大学的信息安全专家Alan Woodward教授评论称:“看起来英特尔公司已经接受了残酷的现实,即虽然他们能够通过软件更新修复Variant 1,但另外两项漏洞仍然造成严重威胁。虽然程度不大,但他们还是被迫对自身架构作出了调整。”
“他们谈到了分区问题,这很好。因为此次安全问题的核心,就在于访问到应用程序本不该接触的数据。然而,目前尚不清楚该分区机制的工作原理,也无从知晓其能够彻底解决相关旁侧攻击。”
Woodward教授还补充称,观察这种硬件调整对执行速度产生的影响也非常有趣。早期的软件补丁已经严重削弱了CPU的性能,其中某些补丁在部署时还会引发其它问题。
他总结称,“目前尚不清楚现有硬件是否将继续包含这些漏洞。其中一些问题可能将迎来缓解方案,但可以肯定的是,这些问题很难被彻底清除。”
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。