Pwnagotchi 2.9.5版本发布:Wi-Fi安全测试工具的重大更新
Pwnagotchi是一个开源的Wi-Fi安全测试工具,它基于Raspberry Pi硬件平台,结合AI技术自动探测和收集Wi-Fi网络信息。该项目通过模拟"宠物"的行为模式,使安全测试过程更加智能化和自动化。最新发布的2.9.5版本带来了多项重要改进和新功能。
核心功能升级
Bettercap框架更新至2.40.1
Pwnagotchi 2.9.5版本将内置的Bettercap网络安全框架升级到了2.40.1版本。Bettercap是Pwnagotchi的核心组件,负责网络探测和数据包捕获等关键功能。这次更新最显著的改进是新增了对6GHz Wi-Fi频段的支持,这使得Pwnagotchi能够覆盖最新的Wi-Fi 6E标准网络,大大扩展了其应用范围。
自动调优功能增强
开发团队对auto-tune功能进行了优化,增加了extra_channels参数值。这一改进使得Pwnagotchi能够更好地探测到周围的其他Pwnagotchi设备,提高了在复杂无线环境中的协同工作能力。对于安全研究人员来说,这意味着在多设备协同测试场景下可以获得更全面的网络覆盖和数据收集。
插件系统改进
全新的ohcapi插件
2.9.5版本移除了旧的onlinehashcrack插件,取而代之的是全新的ohcapi插件。这一变更不仅仅是名称上的改变,新插件在功能实现和稳定性方面都有显著提升。ohcapi插件能够更可靠地将捕获的握手包上传到在线分析服务,提高了整个工作流程的效率。
WPA-SEC上传功能修复
针对之前版本中wpa-sec插件上传功能不稳定的问题,开发团队进行了修复。现在,由于配置向导不再添加空的whitelist条目,wpa-sec插件能够正确地上传捕获的数据。这一改进确保了安全研究人员能够可靠地将收集到的信息提交到wpa-sec服务进行分析。
系统配置优化
蓝牙网络共享功能增强
bt-tether插件在启用时现在会自动添加DNS地址,这一改进使得通过蓝牙共享网络连接时能够获得更完整的网络功能。用户在使用蓝牙连接上网时,不再需要手动配置DNS设置,大大简化了操作流程。
配置向导改进
配置向导(wizard)现在更加智能,它不会再添加空的whitelist条目。这一改进不仅解决了之前版本中可能导致某些插件工作不正常的问题,还使得配置文件更加整洁,减少了人为错误的可能性。
系统镜像选择
Pwnagotchi 2.9.5版本继续提供32位和64位两种系统镜像。64位镜像体积更小(约1195973KB),适合较新的硬件平台;32位镜像(约1253363KB)则保持了对旧硬件的兼容性。用户可以根据自己的硬件配置选择合适的版本。
总结
Pwnagotchi 2.9.5版本通过核心组件升级和多项功能改进,进一步提升了这款Wi-Fi安全测试工具的实用性和可靠性。特别是对6GHz Wi-Fi的支持,使其能够适应最新的网络环境。对于安全研究人员和无线网络爱好者来说,这次更新提供了更强大的功能和更稳定的使用体验。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00