在日前举行的Interchange 2014盛会上,蓝代斯克软件公司(LANDESK Software)正式宣布收购LetMobile公司,并推出创新的应用打包技术。此次收购使蓝代斯克成功地把安全管理从移动设备本身扩展到内容和应用上,从而更强有力地帮助企业IT部门和安全团队满足当今用户多种多样的工作方式要求。
现如今的职场人员已经很难把工作环境和个人环境区分开来了。在整个白天,几乎无论什么时间和地点,工作环境和私人环境是相互重叠的,这种状况正在延续到夜间。这进一步印证了这样的新事实——企业机构的设备用于个人事务,而个人自己的设备亦用于工作。蓝代斯克相信,这样的实际情况正在催生企业移动管理新方式的需求,也就是要拥有坚实的安全基础架构,以保护业务安全,并具有最大的灵活性来提供用户所期望的体验。
蓝代斯克软件公司首席执行官Stephen Daly表示:“我们非常欢迎LetMobile加入到蓝代斯克大家庭。此次收购意义重大,它不仅表明我们在发展策略上——成为以用户为中心的IT(user-oriented IT)的全球领导者——取得重大发展,而且也强调了我们专注于提供最新的移动安全方案。通过把强大的风险管理能力赋予企业IT部门和安全团队,使他们能有效地保护移动电子邮件、内容和应用的安全,让用户能以最有效的方式开展工作,我们正在帮助客户在用户自由和企业责任之间实现完美的平衡。”
“企业移动管理不应再是一刀切的策略。今天的用户会依照其职位、工作特点和场所的不同而有不同的移动性要求。情况不同,解决方案也要随之改变。”Daly说:“收购LetMobie、发布我们的应用打包技术,这些都很好地表明:蓝代斯克的IT管理正以用户、数据和应用为中心,而不再仅仅是设备。”
LetMobile提供保护邮件、内容和应用安全的新方式
现如今用于企业移动性的解决方案通常不是要求隔离应用就是要求隔离场所,以保证对所有设备的全面控制。这些传统的方式并不能为用户提供能在本地应用中使用的全部功能,从而导致访问工作和个人数据时不连贯的体验。
LetMobile深刻认识到这些移动IT安全保护的传统方式已无法适应现代人的工作和生活方式。通过此次收购,蓝代斯克能为企业IT部门和安全团队提供一种全新的创新安全体系,它采用一种双向的安全移动网关技术,能为任何移动设备提供数据保护。这种用于安全的网关技术已入选Forrester Research的《TechRadar™:2013年第四季企业移动安全》研究报告中,正在获得企业用户的快速采用。LetMobile的安全移动网关提供了可扩展的安全选项,包括移动数据丢失保护、地理围栏和审计等,以确保合规性和数据安全。
保护移动电子邮件安全的创新方式
电子邮件是业务中最常用的应用。现在,借助LetMobile,蓝代斯克能为客户提供强大的移动电子邮件保护工具。利用其安全移动网关技术,业务电子邮件可以通过本地电子邮件应用系统在任何设备上收发,而同样的应用在用于访问个人电子邮件时则不再需要安全容器。这将使用户获得前所未有的极佳的业务电子邮件应用体验,因为他们能使用由领先的设备和移动操作系统供应商提供的最佳的移动电子邮件应用。
安全保护将在设备之外的网关层执行,能够有效防止敏感的企业数据和用户证书保存在移动设备中,从而能把因设备丢失、被盗、被入侵以及其它损害所造成的数据风险降至最小。
把安全管理从设备扩展到应用
企业机构纷纷在加强在高级业务流程中使用移动和Web应用。通过移动设备访问企业网络和数据,这种方式引发了机构对重要数据保护和合规性的巨大担忧。现在,借助LetMobile安全网关和新的应用打包解决方案,蓝代斯克提供了全面的移动使能的安全解决方案。
LetMobile的安全移动网关技术还可以扩展到Web应用上,使得无需移动设备VPN或特殊浏览器,就能安全访问企业网中的内容。这种方式既能进一步增强用户的工作效率,也能使IT更有效地保护业务信息安全。
蓝代斯克的应用打包解决方案在企业和第三方应用上增加一个安全层,以确保更好的用户体验。蓝代斯克正借助安全网关技术,把移动应用连接到企业资源中,增加多种超越由应用提供的保护,包括应用VPN、数据加密、身份验证和数据丢失防护等。
在以色列设立研发创新中心
LetMobile位于以色列,为充分发挥LetMobile团队的力量,蓝代斯克决定在以色列设立一个研发创新中心并不断发展,以继续开发新的和创新的技术。
LetMobile首席执行官Dror Todress表示:“在关于企业移动管理的理念上,蓝代斯克和LetMobile高度一致。我们很高兴加入到蓝代斯克中来,这将使我们更有效地践行企业移动管理理念,进一步扩大我们在全球市场的覆盖面。”
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。