Cloudlist v1.2.2 版本发布:新增DNS提供商支持与Azure资源发现优化
Cloudlist是ProjectDiscovery团队开发的一款云资产枚举工具,它能够帮助安全研究人员和运维人员快速发现和识别云环境中的各类资源。通过集成多个主流云服务提供商的API,Cloudlist可以自动收集包括虚拟机实例、存储桶、数据库等在内的各类云资产信息,为云安全评估和资产管理提供便利。
本次发布的v1.2.2版本主要带来了两个重要的功能增强和一个性能优化,进一步提升了工具在云资产发现方面的能力。
DNSSimple提供商支持
新版本中增加了对DNSSimple DNS服务的支持。DNSSimple是一家专注于提供简单易用DNS管理服务的提供商,许多中小企业和个人开发者选择使用它来管理域名解析。通过集成DNSSimple的API,Cloudlist现在能够:
- 自动发现并枚举DNSSimple账户下管理的所有域名
- 获取每个域名的DNS记录详情,包括A记录、CNAME记录等
- 将这些DNS资产信息与其他云资源一起输出,形成完整的资产视图
这一功能扩展使得Cloudlist的DNS资产发现能力更加全面,特别适合那些使用DNSSimple作为主要DNS服务提供商的企业环境。
Azure订阅自动发现机制
针对Microsoft Azure云环境,v1.2.2版本引入了一个重要的改进功能——Azure订阅的自动发现机制。在之前的版本中,用户需要手动配置每个Azure订阅的凭证信息,这在订阅数量较多时会变得繁琐。
新版本提供的自动发现功能具有以下特点:
- 可选启用:用户可以根据需要选择是否使用自动发现功能
- 基于Azure CLI凭证:工具会自动使用本地配置的Azure CLI凭证进行认证
- 全面扫描:自动发现当前凭证有权访问的所有Azure订阅
- 无缝集成:发现的订阅会立即用于后续的资源枚举过程
这一改进显著简化了在多订阅Azure环境中的配置工作,特别是在企业级部署场景下,管理员不再需要手动维护长长的订阅列表。
Azure虚拟机资源获取性能优化
针对Azure虚拟机资源的获取过程,新版本进行了并行化改造,大幅提升了枚举效率。具体优化包括:
- 并行请求:对多个订阅和资源组的虚拟机查询现在可以并行执行
- 资源分组处理:将虚拟机资源按逻辑分组,减少不必要的API调用
- 超时控制:增加了合理的超时机制,避免单个慢请求阻塞整个流程
这些优化特别有利于那些拥有大量虚拟机的Azure环境,可以显著缩短资产发现所需的时间。根据内部测试,在某些大型Azure租户中,虚拟机资源的获取速度提升了3-5倍。
升级建议
对于现有用户,建议尽快升级到v1.2.2版本以获取这些新功能和改进。特别是:
- 使用DNSSimple服务的用户可以通过新版本获得更完整的DNS资产视图
- 管理多订阅Azure环境的用户将受益于自动发现功能带来的配置简化
- 大型Azure部署的用户会明显感受到虚拟机资源获取的性能提升
升级过程简单直接,只需下载对应平台的最新版本二进制文件替换现有版本即可。配置文件通常保持兼容,但建议在升级前做好备份。
Cloudlist持续致力于提供更全面、更高效的云资产发现解决方案,v1.2.2版本的这些改进再次体现了项目团队对用户需求的快速响应和技术创新。随着云环境的日益复杂,这类工具在安全评估和资产管理中的作用将变得越来越重要。
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