数字生活中的你是否也有这样的经历?刚刚在网页上搜索过某个商品,再打开另一个网站就被广告“投其所好”的精准投放了。互联网时代的发展,让我们的隐私逐渐变得裸露。怎么加强用户的隐私保护,一直是OPPO关注的重点之一。
近日,OPPO浏览器为亿万用户带来了全新的“广告防追踪”能力,全面拦截广告追踪器,防止追踪器获取用户的上网信息进行广告精准投放,甩掉令人烦恼的精准广告。据悉,最新发布的OPPO Reno11、Find N3、Find N3 Flip等众多机型均已上线该功能,未来也将持续覆盖更多OPPO用户。
【和精准追踪的广告说byebye 建立浏览器隐私安全守护墙】
在已经搭载了广告防追踪功能的OPPO手机里,该功能已经默认开启,智能检测用户访问的第三方域名是否存在恶意广告追踪行为。同时通过禁止保存Cookie的方式,对广告追踪器进行拦截,防止精准广告投放,虽然不会直接减少你看到的广告数量,但是却能杜绝恶意广告对用户信息的过度追踪,保护用户隐私安全。以后,用户在使用OPPO浏览器上网冲浪的时候,广告防追踪功能会阻断三方广告商在浏览器中植入追踪器串联用户信息,防止用户信息被恶意追踪,减少精准广告投放。
不仅是广告防追踪,作为用户上网的重要门户之一,OPPO还为用户建立了专业的浏览器安全防护中心,全方位守护用户的隐私安全。
作为用户隐私安全的守护墙,浏览器安全防护中心是一个可视化的安全中心,用户可以全方位、及时了解自身在使用过程中可能遇到的安全问题,也可以自由选择对应的功能是否开启。
安全可视化,安心看得见!
【九大能力层层守护 安全感拉满】
安全防护中心具备九大防护能力,全面守护用户的隐私安全,让用户体验安全感拉满的感觉。
每当用户打开新的网页,安全防护中心都会对网址的安全性进行智能「网址安全检测」,精准识别恶意网站,将危险扼杀在摇篮中;当用户通过扫描二维码或者链接下载APP的时候,浏览器的「下载防护」能力就会被激活,识别并检测应用是否存在风险,保障应用下载安全;用户还可以建立专属的「私密空间」,将下载的文件隐藏起来。
「权限管理」让用户对权限的使用情况一目了然,还可以使用「无痕模式」上网,不留下浏览记录和搜索记录。同时搭配「数据清除」功能,用户可以自主选择需要清除的站点访问记录,隐私安全有保障。
还有「拦截弹出式窗口」能力,全面限制恶意弹窗,避免钓鱼网站、恶意广告等风险问题,保障网页浏览安全。同时加强「网站广告屏蔽」与「广告防追踪」能力,让你的上网体验更加流畅与安全。
值得一提的是,其中「网址安全检测」、「下载防护」、「拦截弹出式窗口」、「网站广告屏蔽」等能力均由安第斯智能护盾赋能。
作为OPPO自研的安全隐私防护体系,安第斯智能护盾具备行业首创的应用全生命周期安全隐私防护能力,每天平均拦截恶意应用1000万次以上,每年为浏览器拦截超370亿次的恶意网址访问,为广大用户提供智慧、便捷、更安心的守护。
日前,人民日报就#如何让手机变得更可靠#这一话题发布视频,与用户共同探讨互联网时代的隐私问题,其中就对安第斯智能护盾加持下的OPPO浏览器安全防护能力大为肯定。视频吸引了近2000万人次观看,也让用户对OPPO的安全隐私能力更加信任。
【安全隐私无小事 每一位用户都值得被关注】
大数据时代,面对越来越复杂的互联网环境,OPPO始终保持初心,关注每一位用户的隐私安全,持续投入研发力量。
作为OPPO手机中的“安全大脑”,AI技术的深度应用让安第斯智能护盾拥有了自动化的风险识别与拦截能力,为用户打通包括浏览器、软件商店、手机管家等在内的OPPO全场景,建立安全防线,守护生态安全。而伴随着安第斯大模型(AndesGPT)的正式发布与安第斯AI安全实验室的建立,也让用户对OPPO智能化的趋势更加期待。
这是一个数字生活高度便捷的时代,也是隐私安全受到高度重视的时代。时代的进步让用户更加重视个人隐私,而技术的进步也在不断加强守护力度。对于OPPO来说,坚持安全隐私保护的重要性,为每一个OPPO用户打造更便捷、更安心的用机环境,是不变的基础。不管是最新发布的浏览器广告防追踪能力,还是早已上线的浏览器安全防护中心,或者是默默守护在幕后的安第斯智能护盾,都来自于OPPO对行业的持续关注与技术积累。
安全隐私无小事,每一位用户都值得被关注。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。