OpenCTI平台6.4.7版本发布:安全情报管理系统的关键更新
OpenCTI是一个开源威胁情报平台,专为网络安全团队设计,用于收集、组织、存储和可视化威胁情报数据。该平台通过结构化方式处理威胁情报,帮助安全分析师更好地理解威胁态势并做出响应决策。
核心功能改进
本次6.4.7版本在平台稳定性、日志管理和容器化部署方面进行了重要优化。日志系统经过重构,现在能够更高效地将日志流式传输到可视化工具中,这对大规模部署环境中的故障排查和系统监控尤为重要。改进后的日志处理机制减少了I/O负载,同时保持了日志的完整性和实时性。
用户界面与体验优化
在用户界面方面,开发团队修复了多个影响用户体验的问题。入侵集(Intrusion Set)列表现在能够正确显示创建者信息,解决了CREATORS列空白的问题。用户创建表单中的组别选择现在会按照正确顺序排列,提高了表单使用的便捷性。此外,修复了工作台中访问可观察对象(Observables)标签页时的错误,确保了数据浏览的流畅性。
认证与安全增强
认证系统方面,修复了使用环境变量配置Auth0客户端ID时的问题,增强了身份验证组件的可靠性。这一改进特别影响了使用Auth0作为身份提供者的企业部署场景,确保了配置的灵活性和安全性。
容器化部署改进
平台现在支持将Docker镜像构建并推送到GitHub容器注册表(ghcr.io),为使用GitHub生态系统的团队提供了更便捷的容器管理选项。这一变化简化了持续集成/持续部署(CI/CD)流程,使容器镜像的分发更加高效。
技术架构优化
在技术架构层面,本次更新改进了流处理中的相关限制(relatedRestrictions)管理,增强了数据访问控制的精确性。后端还优化了背压(back pressure)管理机制,提升了高负载情况下的系统稳定性。
OpenCTI 6.4.7版本通过这些改进,进一步巩固了其作为企业级威胁情报管理平台的地位,特别是在大规模部署环境下的可靠性和管理效率方面。对于安全运营团队而言,这些更新将直接提升日常威胁情报处理和分析的工作效率。
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