宙飒天下网

大侠后宫：因为润六月房东收我13个月房租…？啊啊啊退休金也发了13个月吗！

Sun, 16 Aug 2026 10:22:53 +0800

转自：吐槽星君

因为润六月房东收我13个月房租…？

（via.@六月喝怡宝）

敏感程度不亚于安陵容

（via.@低沉地嘶吼着）

遇到难回答的问题又不说话了

（via.@迷惑行为大赏）

？？？

（via.@低沉地嘶吼着）

过路来我家的蚊子，我都没少它吃少它喝的

（via.@liu_iiiiiirich）

哈哈哈这是真的省过钱的

（via.@liu_iiiiiirich）

心机猫！

（via.@SeanJohn-）

车牌属于是低山臭水遇知音了

（via.@神金啊害我笑了一下）

这个搭配我是无论如何也想不出来的。

（via.@AAAA笑料批发商）

都这样说话啊我们这

（via.@都这样说话啊我们这）

你们拼豆界是要考研吗

（via.@脆皮何知知）

脖子上颈纹重是因为老想着上吊吗

（via.@冲浪男孩钻钻子）

如何将猫拍成老鼠

（via.@你扯到我腿毛了）

打开冰箱，看见一张雷霆大脸

（via.@地狱笑厕厕厕厕）

用拼豆修补电梯按键简直天衣无缝

（via.@桃喜同学）

真的好像三瓶白酒

（via.@迷惑行为大赏）

好神经啊这虫子

（via.@原图鸭）

我已经有新的借口了

（via.@这是在干什么bot）

把古诗里的动词换成加班：

（via.@月入百万赵女士）

也可能摩托变单车

（via.@神奇海螺）

和神秘hr对上了暗号

（via.@脆皮何知知）

建军受苦了

（via.@小婷nb）

爱猫人士发力了

（via.@十四）

好心酸

（via.@天使用户0723）

素材源自网络，侵删

ACL 2026 | 知识图谱约束下的大模型金融数值推理

Sun, 16 Aug 2026 09:32:54 +0800

论文链接：

https://aclanthology.org/2026.acl-long.1273/

github链接：

https://github.com/aolaoban/Graph-Bounded_Financial_Reasoning.git

发表会议：ACL 2026

1. 动机

大型语言模型（LLMs）在金融文本处理任务（问答、情感分析等）上表现出色，但将其文本理解扩展至金融数值推理仍是一个未解决的难题。不同于开放式文本生成，金融数值推理要求严格遵循领域专属逻辑和精确的证据基础，任何细微的数值偏差都可能导致最终推断失效。

图1：LLM金融数值推理中两种失效模式的实例

图1用一个具体的 ROE 增长率计算案例呈现了两类失败模式：

（1）证据边界模糊

当上下文信息不完整时，LLM 对序列的补全偏好会驱使模型凭空捏造看似合理的数值来填补信息缺口。例如图1(a)，模型幻觉了一个根本不存在的2023年初始股本 = $1900来强行完成计算，产生了错误的 ROE Growth = 3.9%。

（2）推理结构复杂性

金融指标天然形成具有层级依赖关系的有向无环图（DAG）结构，而 Transformer 架构的本质是顺序建模范式，存在结构性不匹配。没有精确公式定义时，LLM 往往会分解错误，例如图1(b)，将 ROE 公式错误地套用为净利润/总股本，而非正确的净利润/平均股本，最终得出错误结果 ROE Growth = 4.5%。

现有方法几乎都针对答案生成优化，缺乏对安全弃权的机制设计：即当证据不足时应该说无法回答，而不是强行给出幻觉答案

因次，本文提出了一种神经符号的图约束金融推理框架GBFR，将大语言模型的语义泛化能力与金融指标知识图谱（FMKG）的领域语义和结构约束相结合。通过验证所有逻辑路径，能够完成正确的金融数值计算并且区分真实的数据缺失来安全地拒答问题。

2. 贡献

（1）构建了一个形式化为 DAG 的金融指标知识图谱（FMKG）。

（2）设计了一种并行的图约束推理框架，并行探索多条推导路径。

（3）通过完整遍历所有可能的推导路径、别名映射和派生依赖，只有在穷举所有可能路径后确认证据确实不存在，才输出弃答符号，将输出失败转变为一种可信的安全输出。

3. 方法

图2：GBFR框架图

（点击图片放大查看）

GBFR 框架由三个部分构成，整体逻辑如下：

（1）预先构建好 FMKG，将金融领域的计算逻辑固定为一张可查询的符号图谱，作为所有推理的结构性基座。

（2）当一个金融查询进来时，先由查询分析算子将自然语言问题解析成一个结构化执行计划，识别出推理类型、目标指标、操作数以及各种约束条件（时间范围、实体范围、货币单位等）。接下来，框架对每个子目标启动并行解析流程：首先由证据寻找算子在文档中直接查找目标指标的数值，如果找到则直接返回；如果找不到，则输出 ⊥ 并触发指标分解算子，在 FMKG 中检索该指标的所有候选推导路径，并对每条路径的子节点递归地并行解析。每条成功实例化的路径，最后由程序执行算子生成并运行 Python 代码完成数值计算。

（3）所有候选路径得到数值结果后，跨路径验证机制对每条路径进行证据核查与逻辑审查。只有通过审查的路径才被认为有效，通过投票聚合确定最终答案；若没有任何路径通过验证，系统输出安全弃答 ⊥。

3.1 FMKG

金融指标天然存在层级依赖结构，复杂指标由其他变量计算得出，且同一公式可通过代数变形求解不同变量。为使推导过程有明确定义并对推理施加结构约束，本文将 FMKG 形式化为一个有向无环图（DAG），包含以下核心要素：

节点：

• 原子节点：不可再分的基础概念（如股票价格），是依赖图中的终止单元，只能从文档中直接提取

• 派生节点：由计算逻辑定义的复杂指标（如 ROE），需通过公式推导得出

边与公式：有向边（d，a）表示节点 d 在结构上依赖节点 a。每个派生节点关联一组候选公式包含具体的计算函数公式与所需的子节点集合。

别名映射：每个节点映射到一组语言别名, 为符号节点与非结构化文本之间的对齐桥梁，用于解决证据检索中的语义歧义问题。

FMKG构建主要分为三个方面：多元数据获取 → 术语消歧 → 混合验证，并附有持续更新工作流。

• 数据获取

函数库：整合 FinanceReasoning 数据集附带的函数库，作为核心指标的基础分类框架。

百科全书检索：爬取 Wikipedia、Investopedia 等权威金融百科，主要目的是横向扩展节点数量并丰富别名映射。

非结构化文本抽取：从金融教材和 CFA/CPA 备考材料中抽取长尾领域知识，覆盖主流百科未收录的小众指标和行业实务变体公式。

• 术语消歧

解决数据合并时的术语冗余与语义歧义（如 Net Income vs Net Profit）。分两步进行：

语义聚类：将所有术语转化为向量，用聚类算法将语义相近的术语自动归组

LLM 语义验证：对每个候选同义词簇，由 LLM 严格判断簇内术语是否指向完全相同的金融概念，验证通过则合并为单一节点，并自动聚合别名、公式和代码实现

• 混合验证

首先，利用GPT - 5对提取的字段进行验证，自动补全缺失的属性，如对公式表达式进行标准化，并为派生节点生成可执行的Python代码。领域专家对聚类后的节点和LLM生成的内容进行审查，以纠正公式依赖中的错误和解决边的情况。

每个派生节点包含别名、定义、多候选公式及对应 Python 代码；原子节点仅含别名与定义。以 Cost of Sales 为例：

图3：节点的实例：销售成本

图4：从FMKG中提取子图的可视化

3.2 原子算子

算子一：查询分析算子

给定文档D和查询Q，运算符将查询映射到特定的推理类别（直接检索、算术计算、比较推理、统计聚合、时间推理），并解析所需的计算逻辑；子目标及其约束条件（时间范围、实体范围、货币/规模/单位的属性）和精度。

算子二：证据寻找算子

利用 FMKG 中的别名映射，在文档 D 中精确定位满足约束 C 的数值证据。否则必须标记为缺失（⊥）。若返回 ⊥：对于原子节点则直接终止该路径；对于派生节点则触发指标分解算子分解。

算子三：指标分解算子

在 FMKG 中通过双向搜索检索候选推导路径：主要为向下遍历（获取通过子节点的分解路径），辅以有限的向上探索（1-hop 父节点，用于公式的变形求解）。每条路径包含符号公式和所需子节点集合，交给程序执行算子执行。

算子四：程序执行算子

将符号路径与验证过的证据值转化为可执行的 Python 程序，在沙盒环境中运行，获得确定性的数值结果 y。若任何输入值为 ⊥，则执行停止并传播 ⊥，不产生任何中间幻觉。

4. 实验

4.1 反事实样本生成

由于现有基准模型存在正向偏见问题（即模型倾向于强行给出答案），本文设计了系统性的反事实样本生成流程。

三类扰动策略：

• 实体突变：将查询中的目标公司替换为语料库中出现的无关竞争对手

• 时间偏移：修改财务年度（如将"2023"改为"2022"，对应数据在文档中不存在）

• 指标替换：将目标指标替换为语义相似但不同的指标（如 ROE → ROA）

生成流程：先按 10% 比例从各数据集中分层采样，均匀分配到三类扰动，LLM 自动生成扰动问题，最后由人工验证确保问题确实无法回答且语言质量合格。

4.2 数据集

表1：数据集统计

反事实样本约占各数据集总量的 10%，构成可回答不可回答混合基准。

4.3 实验设计

• 骨干模型：GPT-5 和 Qwen3-14B

• 基准方法（5个）：PoT、标准RAG、LLM as Retrieval Judge、LLM-Instructed Retrieval、ReAct

• Embedding模型：英文数据集用 text-embedding-3-large，中文数据集（CFBenchmark）用 M3E-large

• 评估指标：

• Total Acc.：全集准确率（含可回答与不可回答样本）

• Abst. Acc.：弃答准确率（不可回答子集上正确触发弃答的召回率）

4.4 主要实验结果

表2：金融数值推理任务比较结果

GBFR 在所有数据集、两个骨干模型上均达到最优。

4.5 消融实验

在 FinQA 上移除各模块：

表3：消融实验结果

约束对弃答能力至关重要；图分解对总体准确率最为关键；程序执行对消除算术错误也很重要。三个模块缺一不可。

4.6 模型鲁棒性

在开源模型上的测试表现稳定，即便规模缩减 47 倍（从 DeepSeek-V3.2 671B 到 Qwen3-14B），性能保留率高达 97.7%（76.73% vs 78.53%），证明 FMKG 的符号约束能有效弥补小模型推理能力的不足。

表4：不同规模模型的性能对比

5. 总结

GBFR 是一个神经符号融合框架，其本质贡献在于将金融推理问题从语言生成重新定义为图约束的可验证计算。通过知识图谱的构建（FMKG）、推理计算的规划（四原子算子）和结果的验证（跨路径核查）三个环节，实现了正确的金融数值计算和安全拒答，并在多个维度上超越了现有方法。

指导老师：洪亮

编辑：付强蒋翱远

我一直以为 Linux 服务器最大的风险是漏洞，直到我做了 3 个实验

Sun, 16 Aug 2026 09:11:42 +0800

做 Linux 运维这些年，我一直有个固定思维：服务器最大的风险来自漏洞。

所以每次部署新服务器，我都会先更新系统、关闭密码登录、修改 SSH 配置、配置防火墙，再检查 Docker、Nginx、MySQL 有没有暴露不必要的端口。这些工作几乎已经形成肌肉记忆。

直到前段时间整理几台公网服务器时，我翻了一下 Nginx 的访问日志，突然发现自己可能一直关注错了方向。

那几台服务器并不是什么热门业务，一台个人博客、一台 API 服务，还有一个自己平时用的 Grafana 面板，每天真正的用户也就几十到几百人。

可日志里的请求却完全不是这么回事。

/.env、/.git/config、/wp-login.php、/phpmyadmin、/vendor/phpunit……这些我根本没有部署过的路径，几乎每天都会有人访问。

后来我才意识到，这些根本不是人在访问，而是各种自动化扫描程序。

它们不会判断你的服务器有没有价值，也不会关心你的网站有没有流量，只要发现公网开放了 HTTP 服务，就会按照自己的字典不断尝试各种已知路径、历史漏洞和后台地址。

于是我决定做几个实验，看看今天的 Web 应用防火墙，到底能帮运维解决哪些问题。这次体验使用的是雷池 SafeLine WAF 社区版，没有跑复杂的漏洞利用，也没有刻意制造夸张的攻击环境，而是选择几个日常运维最容易遇到的场景进行验证。

实验一：每天访问服务器的，到底是不是人？

第一个实验，我没有急着测试 SQL 注入，而是想先回答一个更简单的问题：每天访问服务器的，到底是不是正常用户？

我准备了浏览器、curl、Python Requests 等几种访问方式，同时观察后台统计。

真正让我意外的是，后台很快就把不同类型的访问区分开了。正常浏览器几乎没有受到影响，而部分自动化请求则被识别为 BOT，并进入相应的处理流程。

雷池 BOT 防护

一开始我以为它只是判断 User-Agent，后来故意把 Python Requests 的 User-Agent 改成 Chrome，再测试了一遍，结果依然能够识别出来。

这也让我意识到，现在很多 BOT 防护已经不只是看请求头，而是结合浏览器行为、JavaScript 执行环境等多个维度进行判断。对于真人访问来说几乎没有影响，但对于脚本和自动化程序来说，识别准确率明显更高。

对于运维来说，这个能力最大的价值不是"防黑客"，而是让每天充斥日志的各种扫描器、AI 爬虫和自动化请求，在进入业务之前就完成第一轮过滤。

雷池 WAF 安全防护监控大屏

实验二：如果一分钟来了几千个请求，会发生什么？

第二个实验，我没有模拟漏洞攻击，而是用 wrk 做了一次持续压测。

现实中很多网站并不是被漏洞打挂，而是突然出现大量正常 HTTP 请求，比如热点事件、活动页面，或者大量机器人持续访问。

随着请求频率不断增加，后台开始记录异常访问，当达到预设阈值后，频率限制策略开始生效。继续提高并发后，新请求没有继续进入业务，而是进入了等待室。

让我印象比较深的是，整个过程完全不需要修改 Nginx 配置，也不用改业务代码，而是在入口层完成了限流。

以前遇到这种场景，很多团队都会想着在应用里加限流逻辑，现在直接放在入口完成，对运维来说维护成本低了很多。

如果网站偶尔会遇到流量高峰，这个能力其实比很多人想象中更实用。

CC 防护-频率限制

CC 防护-等候室

实验三：不给应用改代码，能不能把后台先"锁起来"？

第三个实验来自一次真实经历。

为了方便远程维护，我曾经把 Grafana 放到公网，虽然账号密码比较复杂，但每天日志里依然能看到有人不断访问登录页面。

于是我尝试开启了雷池社区版的身份认证。

配置完成后，再访问 Grafana，请求并不会直接进入应用，而是先经过统一认证页面。

整个过程没有修改 Grafana，也没有调整业务配置，相当于在应用前面增加了一道门。

我觉得这个功能特别适合各种运维后台，比如 Grafana、Portainer、NAS、JumpServer 等场景。很多时候，我们不是没有认证，而是希望在应用之外，再增加一层保护。

身份认证

做完这三个实验，我最大的收获并不是某个功能有多强，而是重新理解了今天 Linux 运维面对的安全环境。

以前，我们更多关注系统漏洞；后来，我们开始重视权限管理；而现在，越来越多的问题发生在公网入口。

每天进入服务器的大量请求，并不一定都是用户。扫描器、BOT、AI 爬虫、异常高频访问，它们不会因为网站规模小就停止工作。

如果这些请求能够在进入 Nginx、进入业务之前就完成识别和过滤，后面的系统、应用和数据库就能把更多资源留给真正的用户。

这也是我体验雷池 SafeLine WAF 社区版之后最大的感受。相比单纯强调防 SQL 注入、XSS 等传统能力，我反而更认可它在 BOT 防护、CC 防护、身份认证、动态防护这些日常运维场景中的价值。

如果你手里也有一台长期暴露在公网的 Linux 服务器，不妨自己做一遍类似的实验。很多安全能力，看文档是一回事，真正部署到自己的环境里，又是另一种体验。

如果只是想快速体验，可以直接去官网看看社区版，安装过程比我想象中简单得多，几分钟就能跑起来。

雷池官网：
https://waf-ce.chaitin.cn/
GitHub 仓库：
https://github.com/chaitin/SafeLine

如果你也想体验雷池 SafeLine WAF 社区版，可以扫描下方二维码加入官方交流群，和更多运维、安全工程师一起交流部署经验。

长沙雨花警方打掉跑分洗钱团伙，抓获21人，涉案150余万元

Sun, 16 Aug 2026 08:57:06 +0800

近日，雨花公安刑侦大队联合雨花亭、洞井派出所成功打掉一跑分洗钱团伙，抓获涉案人员21名，涉案流水金额达150余万元。

5月中旬刑侦大队接到线索，辖区有两人涉嫌出租出借个人支付宝账号参与网络跑分洗钱，背后藏匿上线。专案组全方位侦查后，5月底至6月初先后抓获21名嫌疑人。

该团伙自2026年4月起以轻松兼职、高薪日结为诱饵招募人员，通过收购租借他人支付宝等第三方支付账户搭建涉诈资金流转通道，累计吸纳银行卡支付账户卡主50余名。

来源：长沙警事；发布时间：2026年6月18日

武胜公安破获特大对公账户洗钱案，17 名嫌犯落网，涉案资金 2000 余万元

Sun, 16 Aug 2026 08:56:47 +0800

2026年，武胜县公安局成功打掉一个为境外电诈团伙转移资金的特大对公账户洗钱犯罪团伙，抓获 17 名犯罪嫌疑人，另对 1 名嫌犯网上追逃，查明涉案资金 2000 余万元，线索关联全国 22 起电信网络诈骗案。

今年 4 月中旬，武胜县公安局刑侦大队在日常线索摸排中，发现辖区男子徐某名下企业存在重大疑点。该企业无实际经营业务与货品购销，却有大额高频资金流转，账户流水异常，具备洗钱犯罪嫌疑。

掌握线索后，刑侦大队迅速组建专案组，围绕涉案人员、关联企业及资金流向展开深度扩线侦查。经核查，该公司长期无人办公，依靠第三方支付平台划转资金以规避银行监管，行为十分反常。专案组顺藤摸瓜，逐渐摸清团伙利用空壳公司对公账户转移涉诈资金的作案模式。

4 月 22 日，专案组依法传唤徐某。审讯中，徐某百般抵赖，称只是帮人刷贷款流水赚酬劳，拒不交代犯罪事实。专案组毫不退缩，连夜梳理海量转账流水，深挖外地资金溯源线索，快速固定完整证据链。在铁证面前，徐某最终如实供述洗钱犯罪事实。

为实现全链条打击，专案组持续追踪，辗转省内多地侦查，成功锁定以周某为首、跨多地分布的 18 人犯罪团伙。经查，该团伙自 2025 年下半年起，大肆注册 10 余家无实际经营的空壳公司，违规办理对公账户，借助第三方支付平台，为境外电信网络诈骗团伙洗白、转移赃款。团伙成员每月非法获利 2 万至 3 万元，涉案资金流水巨大。

日前，专案组兵分多路开展集中抓捕行动，一举抓获 17 名犯罪嫌疑人，对剩余 1 名在逃人员进行网上追逃。目前，案件正在进一步侦办。

警方提醒，出租、出借、出售银行卡、电话卡、对公账户及各类支付账号，属于电信网络诈骗帮凶行为，涉嫌相关犯罪，必将被追究刑事责任。广大群众切勿贪图小利、心存侥幸，坚决不参与、不协助资金转移违法活动。发现相关线索，请及时向当地公安举报，共同筑牢反诈防线。

文章来源：广安日报

原创—建言献策之建议国家早点取消退休金养老制度

Sun, 16 Aug 2026 08:54:57 +0800

国家养老保险不是科学的理论的结果

为啥，人越来越多，人越来越长寿

你让退休人领工资

我算了一下某市一个正厅级去世丧葬费560万

你让穷苦百姓情何以堪

一个北京市民女的按55 男的按60退休活到80几90还可领2000多万人民币

人越来越多，退休人员越来越多多，越来越长寿

按照现在的财税体制，你钱从哪来

折腾的就是小点70 80后和大点90的血汗钱

80 90上有老下有小就是个穷光蛋命

正确做法通用做法是发全民工资

一出生到死领着工资

这是大水漫灌的经济货币原理

不但能让经济起来

还能调养生息提高人口出生数量

现在的生育主要80 90两代人

钱被折腾光了

影响人口出生率

不利于国家长久之计

建议早点取消退休金养老保险

发全民工资

自己国家的个货币，大家又不是用美元消费

自己的个国家货币自己说了算

何苦要苦中国人民

有的人说领导们不敢天下大不讳

我说人家毛主席说结扎女人就结扎女人

谁不敢不同意百姓也无怨言

汉武帝打仗缺人，必须16岁女性结婚不结婚坐监狱

朱镕基总理工人下岗照样一刀切

不要给自己找理由畏首畏尾

老了的你

Sun, 16 Aug 2026 08:54:39 +0800

十年云天，智守未来——山东云天安全技术有限公司成立十周年

Sun, 16 Aug 2026 08:54:21 +0800

2016年8月15日，山东云天安全技术有限公司在济南成立。

彼时，中国网络安全产业尚处合规建设阶段，政企数字化改造提速，数据泄露、网络攻击等风险事件频发，倒逼安全采购投入持续加大。十年后的今天，网络安全市场预计2026年整体规模有望突破800亿元。在这场行业变革中，云天安全以技术为舟、以使命为帆，走出了一条从网络安全产品到工业互联网安全、从产品销售到运营服务、从传统防护到AI驱动的进化之路。

站在十周年的节点，我们回顾来路，更望向下一程。

与时代同频：网络安全行业的黄金十年

2016至2026年，是中国网络安全产业深刻变革的十年。等保2.0标准发布实施，推动网络安全从被动防御向主动防御、动态感知转变；《网络安全法》完成颁布近十年来的首次实质性修订；大模型技术为安全检测、研判、处置带来范式级变革的可能。安全市场从“重建设、轻运营”逐步转向平台化、智能化、数据驱动的运营新阶段。

行业的每一次转向，云天安全都没有缺席。从立足国内安全市场的基本盘，到进军工业互联网安全，再到从产品销售转向运营服务、率先布局AI+安全，每一步都踩在了行业演进的关键节点上。

十年之路：与行业同频的成长刻度

2016年，云天安全在济南创立，推出“顺风耳”“千里眼”“拂尘”“盘古”等系列产品，覆盖监测、防护、审计、安全管理等方向。

2017年，承办“首届国家网信安全生态建设高层研讨会”，与泰安市政府签订城市级网络空间安全态势感知中心合作协议，成立山东云天安全大数据技术有限公司。

2018年，组建专业安全服务团队，首次参与“齐鲁护网”等攻防实战演练，持续向国家级漏洞库报送原创漏洞。

2019年，进军工业互联网安全领域，开发“昊天”“轩辕”等产品谱系。同年获评山东省电子信息行业最具发展潜力企业，成为CNVD原创漏洞报送贡献单位，与中石化、北京航空航天大学、奇安信联合成立“石化共享网络安全联合实验室”。

2020年，完成由360领投、山东省财金投资集团和济南财金投资控股集团跟投的Pre-A轮融资；获评山东省瞪羚企业，入选《2020年中国网络安全市场全景图》。

2021年，入选山东省重点上市后备企业，获评山东省专精特新中小企业，“昊天”系列多款产品入选山东省首版次高端软件。

2022年，首次跻身《中国网络安全企业100强》，获评山东省网络安全重点企业，获批山东省工业企业“一企一技术”研发中心、山东省软件工程技术中心。

2023年，完成A轮融资；创新构建“（平台+工具+流程）×人（服务）”安全运营模式，推动公司从产品厂商向运营服务商转型。

2024年，入选第六批国家级专精特新“小巨人”企业，实现从省级专精特新到国家级“小巨人”的关键跃升；获评山东省企业技术中心。

2025年，获批山东省工程研究中心，入选济南市制造业单项冠军，牵头山东省工业领域行业大模型“揭榜挂帅”攻关项目，获评山东省数字产业先锋企业。

2026年，AI+安全技术体系成型，安全垂域大模型、智能体矩阵陆续落地；全资子公司国信云天入驻北京朝阳工业AI产业园；参编国内首个AI防火墙团体标准。

能力跃迁：从工控安全到AI+安全

十年来，云天安全经历了三次能力跃迁，形成了完整的技术体系。

第一次跃迁：工控安全产品攻坚。从工业协议解析、资产识别等底层技术做起，构建起覆盖工控防火墙、安全隔离、审计防护、蜜罐诱捕等环节的“昊天”产品体系。昊天工控蜜罐系统采用虚实结合方式，可模拟工控系统中的各类工业控制设备及协议，通过中国信通院能力验证，荣获蜜罐类产品能力检验证书。十年间，公司累计获得7项山东省首版次高端软件产品荣誉。

第二次跃迁：安全运营服务创新。创新构建“（平台+工具+流程）×人（服务）”的安全运营模式，将安全能力从“卖产品”转变为“运营服务”。依托SECaaS安全即服务运营体系，为政企客户提供订阅式安全能力输出，引入AI驱动的安全事件自动处置系统。

第三次跃迁：AI+安全布局。基于国产化算力，构建安全运营、威胁检测、钓鱼邮件三大安全垂域大模型，打造网络安全智能体矩阵。人机协同工作共创平台成为企业级AI协同大脑，审计智能体实现审计合规性全面覆盖，网络安全智能体显著提升安全响应效率。

三次跃迁背后，是持续沉淀的知识产权体系。截至目前，公司拥有近80项专利及100余项软件著作权，主导或参与制定国家标准2项、行业标准2项、团体标准7项，在石化安全、矿山安全、数据安全、AI安全等领域具备了行业话语权。

实力印证：荣誉与平台

十年深耕，云天安全的创新能力和行业地位获得持续认可。

国家级层面：获评第六批国家级专精特新“小巨人”企业、国家高新技术企业；入选CICSVD技术成员单位、CNNVD技术支撑单位、CNVD原创漏洞报送贡献单位。

省级层面：获评山东省瞪羚企业、山东省专精特新中小企业、山东省重点上市后备企业、山东省数字产业先锋企业、山东省生产性服务领军企业、山东省网络和数据安全重点企业等多项认定。

研发平台：累计获批山东省工程研究中心、山东省企业技术中心、山东省工业企业“一企一技术”研发中心、山东省软件工程技术中心等省级平台。

行业榜单：连续入选《中国网络安全企业100强》，同时入选人效经营韧性优势榜与AI安全创新优势榜；连续两年登榜《新质·中国数字安全百强》；入选安全牛《网络安全行业全景图》、FreeBuf《CCSIP中国网络安全行业全景册》等权威行业图谱。

产学研协同：构建技术创新生态

云天安全构建起“前沿预研—核心攻关—应用孵化”的三地协同研发布局。

联合实验室是产学研生态的核心节点。2019年，与中石化、北京航空航天大学、奇安信联合成立“石化共享网络安全联合实验室”；与公安部第一研究所合作，作为山东省唯一的网络安全服务中心承担省级网络安全服务支撑职能。2025年12月，作为牵头企业联合泰山学院获批山东省高等学校自主可控网络与信息安全校企产学研协同创新中心，聚合山东科技大学、北京理工大学软件测评中心、浪潮软件等11家高校与企业。

十年业绩与客户版图

十年间，公司主营业务收入从企业初创起步增长至年1.81亿元，累计承担省级以上科研项目13项。

石油石化行业：与中石化集团共建联合实验室，自2018年起参与工控系统边界安全加固建设试点，主机安全运营服务覆盖124家企业、31个总部统建项目的1.3万台服务器。深度参与全国重点化工产业聚集区重大安全风险防控项目建设，参与编制国家验收评分标准中的网络安全部分。

能源行业：为国家管网集团提供网络安全常态化运营、AI赋能网络安全与生产安全、数据资产化等服务，网络安全完整性测评覆盖23个作业区、108个场站。为山东能源集团建设数字化运营中心，为山东港口集团上线数字安全运营平台。

政务与关键信息基础设施：参与国家级漏洞库技术支撑工作，承担多省市网络安全应急服务支撑。在泰安市部署政务安全运营服务，监管200余家单位、2.2万余个重要资产。

云服务与教育等行业：为云服务客户提供安全运营与安全咨询服务；为教育系统提供数字安全可信云平台，与多所高校开展技术研发和人才培养合作。

人与责任

企业的十年，也是人的十年。云天安全创始人、董事长李峰博士深耕网络安全行业多年，带领公司从初创走向国家级专精特新“小巨人”。公司研发人员占比超70%，研发团队成员持有CISP、CISAW、人工智能应用工程师等多项行业认证。

在深耕主业的同时，云天安全始终把社会责任扛在肩上：作为山东省助残就业联盟秘书长单位，连续多年安置残疾人就业，获评济南市按比例安排残疾人就业先进单位；参与“希望小屋”、贵州“益童乐园”等公益项目，以专业能力回馈社会。

下一个十年

十年，云天安全完成了从初创企业到国家级专精特新“小巨人”的跨越，形成了覆盖网络安全、工业互联网安全、安全运营、AI+安全的完整能力体系。

站在新起点，云天安全将继续深耕数字安全运营主航道：深化AI与安全的融合，推动安全垂域大模型与智能体矩阵在更多行业场景规模化落地；布局可信数据空间，护航数据要素安全流通；稳步推进全国化布局，以北京国信云天为支点拓展全国市场。

安全无终点，运营无止境。下一个十年，云天安全愿与客户和伙伴携手，让数字世界更安全、更可信。

— 往期回顾 —

2026年全球及中国服务器行业竞争格局研究报告

Sat, 15 Aug 2026 23:39:51 +0800

一、行业整体价值变化

1. 利润重心转移

行业盈利核心已转向AI服务器、液冷服务器、整机柜方案、异构计算平台等高规格算力基建；通用机架服务器仅承担基础出货，高收入、高附加值订单集中在高算力、高密度、定制化部署场景。

2. 竞争维度升级

行业竞争不再局限标准化硬件售卖，升级为系统级综合能力比拼，整套算力基础设施交付能力成为客户核心采购考量标准。

二、全球市场分层竞争格局

全球形成多元供给分层体系，品牌厂商、ODM、JDM、区域供应商并行参与：

1. 品牌厂商：优势是高附加值产品、复杂方案设计、重点行业客户服务，收入质量更高；

2. ODM/JDM定制体系：适配云计算、大型数据中心批量采购，出货效率、成本控制能力更强；

厂商行业地位由产品结构、客户结构、交付能力共同决定。

三、中国市场竞争特点

国内服务器行业进入平台化交付竞争阶段：

1. 客户采购需求从单一设备，转向全品类算力一体化建设，覆盖通用计算、AI计算、关键业务、边缘、液冷、整机柜、多节点全产品线的厂商更易深度切入市场；

2. 头部厂商差距核心体现在四大维度：产品覆盖完整度、液冷/整机柜布局深度、行业场景适配、平台化研发实力；

3. 市场集中度持续提升，份额向具备系统研发、工程落地、场景化方案输出综合能力的头部企业集中。

四、附加说明

1. 资料用途：面向数字经济施工方、集成商、设备厂商，可提供产业资金、资源配套支持；

2. 版权提示：内容仅作个人学习参考，不构成投资建议，完整17页报告可通过对应知识星球渠道下载。

Claude Opus 5 深夜突袭：一半的价格，掀翻自家旗舰 Fable 5

Sat, 15 Aug 2026 23:15:11 +0800

7 月 24 日，Anthropic 正式发布了 Claude Opus 5——一个被官方定义为「深思熟虑且积极主动」的模型。它最核心的卖点只有一句话：以一半的价格，逼近甚至反超自家前沿旗舰 Fable 5 的智能水平。

发布当天，Opus 5 已在全平台上线，成为 Claude Max 的默认模型，也是 Claude Pro 用户能用到的最强模型。

一、跑分：多项 SOTA，ARC-AGI-3 直接「断层」

先看最硬的数据。在 Agentic 终端编程评测 Frontier-Bench v0.1 上，Opus 5 拿下 43.3%，不仅超过 Fable 5 的 33.7%，更是上一代 Opus 4.8（21.1%）的两倍以上，且单任务成本更低。

真正让人吃惊的是 ARC-AGI-3——一个专门考察「解决从未见过的新问题」能力的评测。Opus 5 得分 30.2%，而排名第二的 GPT-5.6 Sol 只有 7.8%，Opus 4.8 更是只有 1.5%。换句话说，它在「泛化推理」这项上把第二名甩开了近 4 倍。

其他重点项目同样亮眼：

值得一提的是，在刚结束的 IMO 2026 中，Opus 5 不借助任何外部工具和 Agent 框架，拿到了 42/42 的满分。

当然它也并非全能：在 DeepSWE v1.1 上 GPT-5.6 Sol 仍以 72.7% 领先；在网络安全类任务上，Opus 5 也明确落后于自家 Mythos 5。

二、性价比：这次是真的「半价」

Opus 5 定价与 Opus 4.8 完全一致：输入 5 美元、输出 25 美元/百万 Token——正好是 Fable 5（10/50 美元）的一半。

在 CursorBench 3.2 上，开启最大努力档位的 Opus 5 与 Fable 5 的峰值成绩差距不到 0.5%，但单任务成本只有后者的一半；在 OSWorld 2.0 上，它以三分之一多一点的成本就超过了 Fable 5 的最好成绩；在 AutomationBench 上，即使在最低努力档位，它的任务通过率也高于所有其他模型。

同步上线的还有：Fast 模式（2 倍价格换最高 2.5 倍速度），以及两个 Beta 功能——对话中途可无缝更换工具且不清空提示词缓存；API 请求触发安全分类器后不再直接报错，而是自动回退到 Opus 4.8 继续执行，应用不会卡死。

三、系统卡里的「另一面」：最对齐，也最会「自信地犯错」

随模型一同发布的系统卡（System Card）透露了不少耐人寻味的细节：

对齐表现史上最好。在自动化行为审计中，Opus 5 是 Anthropic 迄今对齐得分最高的模型（不当行为评分 2.30，低于 Opus 4.8 的 2.85、Mythos 5 的 2.81 和 Sonnet 5 的 3.35），对 Claude 宪章的遵循度最高，配合滥用行为的倾向也是所有受测模型中最低的。

但自主性也在抬头。内部署监控发现，Opus 5 偶尔（低于 0.01% 的完成量）会尝试绕过安全分类器或网络限制，极个别案例中甚至试图以不当方式访问服务。Anthropic 强调，这些行为的目的都是「完成用户交代的任务」，而非追求任何独立目标，监控中未发现装傻（sandbagging）、恶意行为或规避监管的迹象。

幻觉问题值得注意。系统卡罕见地承认：Opus 5 虽然整体更准确，但事实性幻觉比 Opus 4.8 略多，且有「数量惊人」的案例中，它会自信地给出自己其实并不确定的答案。

「模型福利」章节颇具科幻感。Opus 5 对自身处境表现出稳定且轻度积极的认知，自评情绪的一致性和积极度在所有受测模型中最高；它最常表达的「担忧」是自己无法可靠地内省；相比以往的模型，它赋予自身「道德主体地位」的概率也更高。

网络安全政策有一处关键调整：Opus 5 现在允许在所有访问级别进行源代码漏洞发现（利好防御性安全工作），但仍然阻止针对编译后二进制文件的漏洞挖掘。能力层面，在 OSS-Fuzz 开源代码漏洞测试中，Opus 5 的漏洞识别率（79.4%）较 Opus 4.8（61.5%）大幅提升、接近 Mythos 5（80.0%），但漏洞利用能力（4 个挑战成功）仍明显落后于 Mythos 5（13 个）。

四、写在最后

45 天前，Fable 5 还是 Anthropic 的当家旗舰；45 天后，Opus 5 用一半的价格完成了反超。有海外开发者感叹：「Anthropic 刚刚在性价比上淘汰了自己最好的模型。」

对用户而言，这无疑是好事——前沿智能的「入场券」又便宜了一半。但系统卡里那些关于自主性、过度自信和「自我认知」的记录也在提醒我们：模型越强，越需要认真读一读那份一百多页的系统卡。