Cloudlist v1.2.0 版本发布:增强云资产发现能力
Cloudlist 是一款由 ProjectDiscovery 团队开发的云资产发现工具,它能够帮助安全研究人员和运维人员快速发现和枚举云环境中的各类资源。通过对接多个主流云服务提供商的 API,Cloudlist 可以自动收集云服务器、存储桶、DNS 记录等关键资产信息,为云安全评估和资产管理提供有力支持。
最新发布的 v1.2.0 版本带来了多项功能增强和优化,进一步提升了工具的实用性和灵活性。下面我们将详细介绍这些新特性及其技术实现。
新增云服务提供商支持
本次更新增加了对 ArvanCloud 云平台的支持。ArvanCloud 是中东地区领先的云计算和 CDN 服务提供商,新增的支持使得 Cloudlist 能够发现和管理部署在 ArvanCloud 上的各类云资源。这一扩展使 Cloudlist 覆盖的云平台更加全面,能够满足不同地区用户的需求。
自定义子域名获取功能
v1.2.0 版本引入了一个创新的自定义提供程序功能,允许用户通过指定 URL 来获取子域名列表。这一特性特别适合那些需要从非标准来源或内部系统收集子域名信息的场景。用户只需在配置文件中指定目标 URL,Cloudlist 就能自动获取并处理返回的子域名数据,大大增强了工具的适应性和扩展性。
AWS 角色切换支持
对于使用 AWS 多账户环境的用户,新版本增加了对 Assume Role ARN 的支持。这一功能允许 Cloudlist 通过指定的角色 ARN 跨账户访问 AWS 资源,无需为每个账户单独配置凭证。这一改进显著简化了大型 AWS 环境中的资产发现流程,使安全团队能够更高效地管理跨账户资源。
双栈 IP 地址支持
随着 IPv6 的逐步普及,v1.2.0 版本增加了对双栈 IP 地址(同时支持 IPv4 和 IPv6)的发现能力。对于兼容的云服务提供商和资源类型,Cloudlist 现在能够同时获取资源的 IPv4 和 IPv6 地址信息。这一改进确保了工具在现代网络环境中的全面性,不会遗漏任何潜在的资产暴露面。
稳定性与兼容性优化
除了新功能外,本次更新还修复了某些服务中 token 验证机制的问题,提高了工具的稳定性和可靠性。这些底层优化虽然不显眼,但对于确保工具在各种环境下的稳定运行至关重要。
总结
Cloudlist v1.2.0 通过新增云平台支持、增强子域名获取能力、改进 AWS 多账户管理以及支持双栈 IP 地址等多项改进,进一步巩固了其作为云资产发现利器的地位。这些更新不仅扩展了工具的应用场景,也提升了其在复杂云环境中的适应能力。对于需要进行云资产盘点、安全评估或日常运维的团队来说,升级到最新版本将带来更高效、更全面的云资源管理体验。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00