Danny Allan,Veeam的前首席技术官,将加入开发者代码安全企业Snyk。
Snyk的首席执行官Peter Mackay在Allan离开Veeam的LinkedIn帖子上发表了评论,称赞Allan的职业生涯的“下一章”将与他在Snyk的朋友们一起展开。
Mackay曾于2016年7月至2018年11月担任Veeam的联席首席执行官兼总裁,并在此之前在VMware、Desktone、IBM和Watchfire工作。Allan在同一时期也在Veeam工作过,并且曾在VMware、Desktone、IBM和Watchfire工作过。这两位高管似乎有着很长时间的合作关系。
Adi Sharabani也曾在Watchfire和IBM工作过,他于2018年11月成为Snyk的投资者和顾问,并根据他的LinkedIn个人资料,仍然担任这些职务。他还于2022年5月被任命为Snyk的首席技术官,并在去年6月离开了这个职位。因此,Snyk目前有一个首席技术官的空缺,而Allan将接任这个职位。
一位Snyk发言人告诉B&F:“Danny将于周二加入Snyk担任新的首席技术官。”这将是2月6日,Snyk将在那时正式宣布。
Snyk于2015年由Assaf Hefetz、Danny Grander、Guy Podjarny和Jacob Tarango在特拉维夫和伦敦创立。Podjarny是创始首席执行官,他在2019年6月让位给了投资者Peter Mackay。总部位于波士顿。
据Crunchbase报道,该企业已获得12亿美元的融资,其中2022年的G轮融资筹集了1.965亿美元,使Snyk的估值达到74亿美元。然而,2021年的F轮融资筹集了3.04亿美元,估值更高,达到85亿美元。去年还有一轮2500万美元的企业融资,投资者是ServiceNow。
据报道,Snyk是一家私人拥有的公司,从2021年到2022年,其收入增长了153%,达到1.47亿美元,客户超过2300家。截至2022年底,该公司有1135名员工,但在2023年4月裁员了128人。
Snyk成立于2015年7月。为什么选择这个名字?Snyk创始人兼总裁Guy Podjarny:“我最初的想法是将信息悄悄传递给一个仓库,然后让它为你提供相关见解,我说我会用y来拼写,就像酷孩子们一样……当我谷歌搜索时,我发现它是So Now You Know的缩写。”
他的公司为程序员提供安全工具。Snyk的核心是开发者优先的安全。Snyk维护一个漏洞数据库,记录在开源软件库中发现的安全问题。
Podjarny说:“我们首先解决的问题是开源安全,在开源安全中存在一个漏洞,即漏洞的存在。CVE系统旨在为设备和大型企业通知用户存在的缺陷,但开源维护者社区没有能力处理这个问题。”他告诉我们,当在开源项目中发现漏洞时,会进行修复,并在发布说明中注明,然后“消失在GitHub的虚空中”。
Snyk Code是该公司最新的主要服务,是去年10月收购DeepCode后产生的。DeepCode专注于“由人工智能驱动的语义代码分析”。
该服务具有多个功能,包括在保存文件时扫描代码中的漏洞,或监视Git仓库,或作为CI/CD过程的一部分。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。