谷歌正准备测试其Chrome浏览器中的“IP保护”新功能。此功能将使用代理服务器来隐藏用户的IP地址,借此增强使用者隐私。
意识到恶意人士可能滥用IP地址以实施追踪,谷歌正力求在保障用户隐私与实现网络基本功能之间找到平衡。
IP地址允许网站和在线服务跟踪站点上的活动,并据此为用户创建持久配置文件。但这同时也带来了严重的隐私问题,因为与第三方cookie不同,用户目前并没有绕过此类秘密跟踪的直接方法。
聊聊谷歌的全新IP保护功能
虽然IP地址可能被用作跟踪向量,但其在流量路由、欺诈预防和其他重要网络任务中也同样发挥着不可或缺的关键作用,所以断然不可一刀切式废除。
因此,“IP保护”方案将通过代理服务器对来自特定域的第三方流量进行路由,保证用户的IP地址对这些域不可见,从而在维持好处的同时消除隐患。随着生态系统的发展,IP保护也将不断完善,继续保护用户免受跨站点跟踪、并向代理流量添加其他更多域。
IP保护的功能说明中提到:“Chrome正重新提出一项提案,希望保护用户免受通过IP地址进行跨站点跟踪的影响。该提案包含一种隐私代理,可以对符合上述条件的流量的IP地址进行匿名化处理。”
最初,IP保护将以可选功能的形式存在,确保用户能够控制自己的隐私,并由谷歌监控其行为趋势。
该功能将分阶段发布上线,以适应不同区域的实际情况并保证平缓的学习曲线。
在初步试不中,只有明确列出的域才会在第三方环境中受到影响,其中重点关注那些被明确认定会跟踪用户活动的域。
第一阶段被定名为“阶段0”,谷歌将使用专有代理将请求代理至自己的域。这样谷歌就能测试该系统的基础设施,并把握这段时间不断调整受控域名列表。
在阶段之初,只有登录谷歌Chrome并拥有美国IP的用户才能访问这些代理。
谷歌将选定一组客户,将其自动添加至初步测试当中。而随着测试推进,项目架构和设计也将随时做出修改。
为了避免潜在滥用,谷歌负责运营的身份验证服务器将向代理发放访问令牌,并为每位用户设置配额。
在后续阶段中,谷歌打算采用2跳代理来进一步增强隐私保护。
IP保护的功能说明文档解释称,“我们正考虑使用2跳点来改善隐私。第二个代理将由外部CDN运行,而第一跳点则由谷歌自主管理。”
“这样,就能确保两个代理均无法同时看到客户端的IP地址和目的地。代理链接由CONNECT和CONNECT-UDP提供支持。”
由于目前多种在线服务都会使用GeoIP来确定用户所在位置,因此谷歌计划通过代理连接为用户分配能够“粗略”体现其位置的IP地址,而不再显示确切所在地,具体如下图所示:
谷歌的功能测试域也包括自家服务平台,例如Gmail和AdServices。
谷歌计划在Chrome 119和Chrome 225之间测试这项功能。
潜在安全问题
谷歌解释称,新的IP保护功能同样存在一些网络安全隐患。
由于流量将通过谷歌服务器进行代理,因此安全和欺诈防护服务可能将难以阻止DDoS攻击或者检测无效流量。
此外,如果谷歌的代理服务器遭到入侵,恶意攻击者也许能够查看并操纵流经该服务器的流量。
为了缓解这个问题,谷歌正考虑要求该功能的用户通过代理进行身份验证,以防止代理将网络请求链接至特定账户,同时引入速率限制来抵御DDoS攻击。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。