<div class="key-takeaways"><ul><li>Cursor เปิดซอร์ส Mixture-of-Kittens (MoK) ภายใต้ไลเซนส์ Apache-2.0</li><li>ออกแบบมาเพื่อใช้งานบน GPU NVIDIA Blackwell SM100 หรือ SM103 (GB200/GB300 NVL72) เท่านั้น</li><li>เพิ่มความเร็วในการประมวลผล MXFP8 ไปข้างหน้าสูงสุด 2.37 เท่า</li><li>ลดการซิงโครไนซ์ระหว่าง CPU และ GPU เพื่อแก้ปัญหาคอขวดด้านการสื่อสาร</li></ul></div><p>Cursor ได้ประกาศเปิดตัวซอร์สโค้ดของ <strong>Mixture-of-Kittens (MoK)</strong> ซึ่งเป็นเมกะเคอร์เนลสำหรับการฝึกโมเดลประเภท Mixture-of-Experts (MoE) แบบ Deterministic บนแพลตฟอร์ม GitHub ภายใต้สัญญาอนุญาตแบบ Apache-2.0 โดยซอฟต์แวร์นี้ถูกสร้างขึ้นมาเพื่อรีดประสิทธิภาพสูงสุดจากฮาร์ดแวร์ระดับไฮเอนด์อย่างแท้จริง</p><p>อย่างไรก็ตาม ข้อจำกัดด้านฮาร์ดแวร์ของ MoK นั้นอยู่ในระดับสูงมาก โดยจำเป็นต้องใช้งานร่วมกับ GPU NVIDIA Blackwell SM100 หรือ SM103 ซึ่งหมายความว่าผู้ใช้งานต้องมีหรือเช่าแร็คเซิร์ฟเวอร์รุ่น GB200 NVL72 หรือ GB300 NVL72 เท่านั้น นอกจากนี้ยังต้องรันบนสภาพแวดล้อม Python 3.12+, PyTorch 2.10+, และ CUDA toolkit 13.0+ อีกทั้งบัฟเฟอร์ระหว่าง GPU จะต้องอาศัยระบบ PyTorch symmetric memory</p><p>ด้วยเหตุนี้ กลุ่มผู้ใช้งานจริงจึงจำกัดอยู่เพียงองค์กรที่มีความพร้อมด้านโครงสร้างพื้นฐาน เช่น ห้องปฏิบัติการชั้นนำ, สตาร์ทอัพด้านโมเดลที่ได้รับทุนหนา, ผู้ให้บริการ GPU neoclouds และศูนย์คอมพิวเตอร์แห่งชาติ ขณะที่ทีมงานระดับโหนดเดี่ยวหรือร้านค้าที่มี GPU จำนวน 8 ตัวจะไม่สามารถใช้งานได้</p><div class="ai-insight"><p>การที่ Cursor พัฒนาเคอร์เนลที่เจาะจงฮาร์ดแวร์ Blackwell ขนาดใหญ่นี้ สะท้อนให้เห็นว่าปัญหาคอขวดในการฝึกโมเดล AI ขนาดยักษ์ยุคปัจจุบันได้ย้ายจากการคำนวณมาอยู่ที่การสื่อสารและการซิงโครไนซ์ข้อมูลภายในแร็คแล้ว การออกแบบเมกะเคอร์เนลที่ลดการพึ่งพาซีพียูจึงเป็นกุญแจสำคัญในการปลดล็อกประสิทธิภาพของฮาร์ดแวร์ NVLink โดเมนเดียวที่มี GPU ถึง 72 ตัว</p></div><p>ในแง่ของการประยุกต์ใช้งาน MoK เหมาะสำหรับงานที่มีความจำเพาะแต่มีมูลค่าสูง ได้แก่ การฝึกอบรมล่วงหน้า (Pretraining) และการฝึกอบรมภายหลัง (Post-training) ของโมเดล MoE สไตล์ DeepSeek-V3 รวมถึงการทำ on-policy RL post-training และ internal ablations เนื่องจากระบบมีความเป็น Deterministic สูง อุตสาหกรรมที่เกี่ยวข้องจึงครอบคลุมทั้งการพัฒนาโมเดล AI, โครงสร้างพื้นฐานคลาวด์ GPU, เครื่องมือสร้างโค้ด และการวิจัยเชิงปริมาณ</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/cursor_mixture_of_kittens_mok_ai_gb300_nvl72_msf9xxaq_inline_1_718aa8ccb5.jpg" alt="AI model training infrastructure server rack" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ในกระบวนการผลิตจริง การสื่อสารเคยกลายเป็นปัจจัยจำกัดความเร็ว โดยเลเยอร์ MoE สามารถกินเวลาการฝึกอบรมแบบ end-to-end ไปมากกว่าครึ่งหนึ่ง การเปลี่ยนมาใช้ GB300 NVL72 ช่วยให้เกิดการเหลื่อมซ้อนกันแบบละเอียดย่อย (fine-grained overlap) ภายใน NVLink โดเมนที่มี 72 GPU แต่เนื่องจาก CPU ตระกูล Grace ที่ติดตั้งมาด้วยมีความเร็วต่ำกว่า GPU การลดการซิงโครไนซ์ระหว่าง CPU และ GPU จึงต้องทำอย่างดุดัน</p><div class="stat-row"><div class="stat-item"><span class="stat-number">2.37x</span><span class="stat-label">ความเร็ว MXFP8 ไปข้างหน้า</span></div><div class="stat-item"><span class="stat-number">1.41x</span><span class="stat-label">โทเค็นต่อวินาทีต่อ GPU</span></div></div><p>โครงสร้างของ MoK ถูกสร้างขึ้นเป็นเมกะเคอร์เนลและมีความเป็น Deterministic อย่างสมบูรณ์ รองรับโหมดความแม่นยำ BF16 และ MXFP8 การจัดตารางเวลาทำงานผ่าน Cluster Launch Control ของ Blackwell ทำให้ inter-rack RDMA ไม่ถูกจัดลำดับต่อท้าย ในส่วนของเกณฑ์มาตรฐานเลเยอร์บนแร็ค NVL72 เดี่ยวที่ระดับ EP 64 พบว่า MoK ทำความเร็วในการประมวลผล MXFP8 ไปข้างหน้าได้มากกว่าเบสไลน์ที่เร็วที่สุดถึง 2.37 เท่า และเพิ่มอัตราโทเค็นต่อวินาทีต่อ GPU จาก 760.9 เป็น 1,070.2 หรือคิดเป็น 1.41 เท่า</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/04/cursor-open-sources-mixture-of-kittens-mok-a-deterministic-moe-training-megakernel-for-gb300-nvl72-racks/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Cursor open-sources Mixture-of-Kittens (MoK) under the Apache-2.0 license.</li><li>Requires NVIDIA Blackwell SM100 or SM103 GPUs (GB200/GB300 NVL72 racks).</li><li>Delivers up to 2.37x faster MXFP8 forward pass performance.</li><li>Minimizes CPU-GPU synchronization to resolve communication bottlenecks.</li></ul></div><p>Cursor has officially open-sourced <strong>Mixture-of-Kittens (MoK)</strong>, a deterministic Mixture-of-Experts (MoE) training megakernel, available on GitHub under the Apache-2.0 license. The software is engineered to squeeze maximum performance out of cutting-edge hardware infrastructure.</p><p>However, the hardware requirements for MoK set a high barrier to entry. It demands NVIDIA Blackwell SM100 or SM103 GPUs, translating to GB200 NVL72 or GB300 NVL72 rack ownership or rental. Furthermore, it requires Python 3.12+, PyTorch 2.10+, and CUDA toolkit 13.0+, with inter-GPU buffers relying heavily on PyTorch symmetric memory.</p><p>This hardware threshold restricts realistic adopters to organizations with substantial capacity, such as frontier labs, funded model startups, GPU neoclouds, and national computing centers. Single-node teams and standard 8-GPU shops are left out of the equation.</p><div class="ai-insight"><p>The introduction of this specialized megakernel highlights a shifting paradigm in large-scale AI training, where communication overhead within a rack often supersedes raw compute limits. By minimizing reliance on integrated Grace CPUs inside massive 72-GPU NVLink domains, MoK addresses the critical synchronization bottleneck that traditionally plagues massive MoE model scaling.</p></div><p>Applications remain narrow yet high-value, encompassing pretraining and post-training of DeepSeek-V3-style MoE models, on-policy RL post-training, and internal ablations where determinism is critical. Relevant sectors span AI model development, cloud GPU infrastructure, code-generation tooling, and quantitative research.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/cursor_mixture_of_kittens_mok_ai_gb300_nvl72_msf9xxaq_inline_1_718aa8ccb5.jpg" alt="AI model training infrastructure server rack" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>In production environments, communication historically served as the primary limiting factor, with the MoE layer consuming over half of end-to-end training time. Transitioning to GB300 NVL72 systems alters this dynamic by enclosing 72 GPUs inside a single NVLink domain for fine-grained overlap, though the slower integrated Grace CPUs still necessitate aggressive minimization of CPU-GPU synchronization.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">2.37x</span><span class="stat-label">MXFP8 Forward Speedup</span></div><div class="stat-item"><span class="stat-number">1.41x</span><span class="stat-label">Tokens/Sec/GPU Gain</span></div></div><p>Built as a fully deterministic megakernel, MoK supports BF16 and MXFP8 precision modes, scheduling via Blackwell's Cluster Launch Control to prevent inter-rack RDMA serialization. Layer benchmarks on a single NVL72 rack at EP degree 64 demonstrated that MoK achieves up to 2.37x faster performance for MXFP8 forward passes compared to the fastest baseline, while end-to-end token throughput per GPU rose from 760.9 to 1,070.2.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/04/cursor-open-sources-mixture-of-kittens-mok-a-deterministic-moe-training-megakernel-for-gb300-nvl72-racks/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_article-1567.jpg

small_article-1567.jpg

thumbnail_article-1567.jpg

article-1567.jpg

Cursor โอดซอร์ส MoK เมกะเคอร์เนล Mixture-of-Experts สำหรับสถาปัตยกรรม NVIDIA Blackwell เร่งความเร็วฝึกโมเดลพุ่งสูงสุด 2.37 เท่า

Cursor releases MoK, a deterministic Mixture-of-Experts training megakernel designed for NVIDIA Blackwell architecture, boosting training speeds up to 2.37x.

Cursor เปิดตัว Mixture-of-Kittens (MoK) เมกะเคอร์เนลฝึก AI บนฮาร์ดแวร์ GB300 NVL72

Cursor Open-Sources Mixture-of-Kittens (MoK) Megakernel for GB300 NVL72 Racks

<div class="key-takeaways"><ul><li>การทำงานด้วย Pixel-Native RAG ช่วยรักษาโครงสร้าง ตาราง และสูตรทางคณิตศาสตร์ที่ระบบข้อความทั่วไปมักมองข้าม</li><li>ผสานการฝังตัววิสัยทัศน์ภาษาหนาแน่นและการดึงข้อมูลสลัวจาก OCR เข้าด้วยกัน</li><li>รองรับการทำดัชนีผ่าน FAISS และการฝึกอบรมอะแดปเตอร์แบบคอนทราสต์ในไปป์ไลน์เดียว</li><li>พัฒนาโดย Sana Hassan นักศึกษาฝึกงานด้านการปรึกษาหารือจาก Marktechpost และ IIT Madras</li></ul></div><p>ในบทความเชิงปฏิบัตินี้ ได้มีการนำเสนอการใช้งานเวิร์กฟลอว์ PixelRAG อย่างสมบูรณ์แบบ ซึ่งครอบคลุมตั้งแต่กระบวนการเรนเดอร์เอกสารให้ออกมาเป็นภาพหน้าจอแบบไทล์ ไปจนถึงการดึงข้อมูลหลักฐานภาพที่เกี่ยวข้องและการส่งมอบผ่านทาง Searchable API เพื่อให้ระบบมีความสมบูรณ์ในการทำงานจริง</p><p>กระบวนการทำงานดังกล่าวได้ผสานเทคโนโลยีหลากหลายรูปแบบเข้าไว้ด้วยกันอย่างลงตัว ไม่ว่าจะเป็น dense vision-language embeddings, OCR-derived sparse retrieval, reciprocal rank fusion, FAISS indexing, document-level score aggregation และ contrastive adapter training ทั้งหมดนี้ถูกรวบรวมไว้ภายในไปป์ไลน์เดียวที่สามารถนำไปรันได้จริงทันที</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/pixel_native_rag_msf9x1qv_inline_1_ecd94e6b1e.jpg" alt="pixel native document workflow architecture" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="ai-insight"><p>แนวคิด Pixel-Native RAG ถือเป็นก้าวสำคัญในการข้ามข้อจำกัดของระบบ Retrieval-Augmented Generation แบบดั้งเดิมที่แปลงเอกสารเป็นข้อความล้วน ทำให้สูญเสียข้อมูลเชิงภาพ เช่น เลย์เอาต์ กราฟิก และสูตรคณิตศาสตร์ การใช้พิกเซลตรงๆ ช่วยให้โมเดล Multimodal LLM เข้าใจบริบทของเอกสารทางธุรกิจหรือรายงานวิจัยได้อย่างแม่นยำยิ่งขึ้น</p></div><p>นอกจากนี้ ระบบยังได้รับการประเมินประสิทธิภาพผ่านเกณฑ์มาตรฐานการดึงข้อมูล พร้อมกับการตรวจสอบผลลัพธ์ด้วยภาพ ซึ่งช่วยให้นักพัฒนาสามารถเปรียบเทียบการกำหนดค่าต่างๆ ได้อย่างเป็นรูปธรรม แทนที่จะต้องพึ่งพาเพียงผลลัพธ์เชิงคุณภาพเพียงอย่างเดียว</p><p>การทำงานโดยตรงกับพิกเซลที่เรนเดอร์ออกมา ช่วยรักษาองค์ประกอบสำคัญของเอกสารไว้อย่างครบถ้วน ไม่ว่าจะเป็นโครงสร้างเอกสาร ตาราง รูปภาพ สัญลักษณ์ทางคณิตศาสตร์ บล็อกโค้ด และเลย์เอาต์ทางสายตา ซึ่งมักจะถูกละเลยโดยไปป์ไลน์แบบข้อความล้วน พร้อมทั้งสร้างรากฐานที่ยืดหยุ่นในการขยายขอบเขตไปยังเอกสารส่วนบุคคล คลังข้อมูลขนาดใหญ่ และการสร้างข้อความจากภาพที่มีความแม่นยำสูง</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/04/pixel-native-rag-a-practical-guide-to-visual-document-indexing/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Pixel-Native RAG preserves document structure, tables, and mathematical notations often lost in text-only pipelines.</li><li>Combines dense vision-language embeddings and OCR-derived sparse retrieval within a unified framework.</li><li>Features FAISS indexing, reciprocal rank fusion, and contrastive adapter training in a single runnable pipeline.</li><li>Authored by Sana Hassan, a consulting intern at Marktechpost and dual-degree student at IIT Madras.</li></ul></div><p>This comprehensive guide details the implementation of the complete PixelRAG workflow, starting from rendering documents into screenshot tiles to retrieving and serving relevant visual evidence through a searchable API.</p><p>The system successfully integrates dense vision-language embeddings, OCR-derived sparse retrieval, reciprocal rank fusion, FAISS indexing, document-level score aggregation, and contrastive adapter training into a single runnable pipeline.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/pixel_native_rag_msf9x1qv_inline_1_ecd94e6b1e.jpg" alt="pixel native document workflow architecture" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="ai-insight"><p>Pixel-Native RAG represents a paradigm shift by addressing the limitations of traditional text-only RAG systems. By processing rendered pixels directly, multimodal models retain critical visual hierarchies, charts, and formatting that standard text extraction parsers routinely discard, enabling deeper contextual understanding for complex documents.</p></div><p>Furthermore, the system was evaluated using retrieval benchmarks alongside visual result inspections, allowing developers to effectively compare configurations rather than depending solely on qualitative outputs.</p><p>Working directly with rendered pixels preserves structural integrity, tables, images, mathematical notations, code blocks, and visual layouts. This establishes a flexible foundation expandable to private documents, larger corpora, stronger multimodal embedding models, and fully grounded vision-language generation.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/04/pixel-native-rag-a-practical-guide-to-visual-document-indexing/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_pixel-native-rag-msf9x1qv.jpg

small_pixel-native-rag-msf9x1qv.jpg

thumbnail_pixel-native-rag-msf9x1qv.jpg

pixel-native-rag-msf9x1qv.jpg

สรุปขั้นตอนการสร้างระบบ PixelRAG ตั้งแต่การเรนเดอร์เอกสารเป็นภาพหน้าจอ การค้นหาข้อมูล และการให้บริการผ่าน API

An overview of implementing the complete PixelRAG workflow from document rendering to searchable visual evidence APIs.

เจาะลึก Pixel-Native RAG คู่มือปฏิบัติสำหรับการทำดัชนีเอกสารด้วยภาพ

Pixel-Native RAG: A Practical Guide to Visual Document Indexing

<div class="key-takeaways"><ul><li>การสร้างไปป์ไลน์ตรวจสอบความปลอดภัยสำหรับทักษะ AI และการกำกับดูแลระดับมาร์เก็ตเพลส</li><li>การตรวจจับคำสั่งอันตราย รูปแบบการเข้าถึงข้อมูลรับรอง และความเสี่ยงจากไลบรารีภายนอก</li><li>การออกรายงานที่เครื่องอ่านได้ และการตั้งค่าเกณฑ์มาตรฐานเพื่อกรองผลลัพธ์</li><li>การแปลงผลการสแกนเป็นระบบ CI Gate อัตโนมัติเพื่อประกอบการตัดสินใจใช้งาน</li></ul></div><p>ในบทความเชิงเทคนิคนี้ มีการนำเสนอการใช้งานไปป์ไลน์ประเมินความปลอดภัยแบบครบวงจรสำหรับทักษะ AI โดยใช้เครื่องมือและเฟรมเวิร์กชั้นนำอย่าง <b>NVIDIA SkillSpector</b> ร่วมกับ <b>LangGraph</b>, กฎของ <b>YARA</b>, รูปแบบ <b>SARIF</b> และ <b>CI Policy Gates</b> เพื่อช่วยยกระดับความปลอดภัยในการใช้งานเครื่องมือเอเจนต์</p><p>ระบบดังกล่าวมีความสามารถในการตรวจสอบเชิงลึกครอบคลุมหลายด้าน:</p><ul><li>การระบุคำสั่งที่เป็นอันตรายภายในโค้ด</li><li>รูปแบบการเข้าถึงข้อมูลรับรอง (Credential Access)</li><li>ความเสี่ยงจากความสัมพันธ์ของไลบรารี (Dependency Risks)</li><li>พฤติกรรมการรันคำสั่งจากระยะไกล (Remote Execution Behavior)</li><li>ความพยายามในการทำ Prompt Injection</li><li>การโจมตีระดับเมทาดาตาของ MCP (Metadata-level MCP Attacks) พร้อมบันทึกหลักฐานที่ชัดเจนสำหรับทุกข้อพบเจอ</li></ul><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_nvidia_skillspector_langgraph_msekba8n_inline_1_1631cb8f9f.jpg" alt="software security auditing dashboard code analysis" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="ai-insight"><p>การใช้งานเครื่องมือและไลบรารีภายนอกในระบบปัญญาประดิษฐ์และ Agentic Tools มักมาพร้อมกับความเสี่ยงด้านช่องโหว่ที่คาดไม่ถึง การสร้างระบบไปป์ไลน์ตรวจสอบอัตโนมัติก่อนนำโค้ดหรือทักษะเข้าสู่ระบบจริง (CI/CD Pipeline) จึงเป็นหัวใจสำคัญในการป้องกันการโจมตีสมัยใหม่ เช่น การฉีดคำสั่ง (Prompt Injection) หรือการขโมยสิทธิ์การเข้าถึงข้อมูลสำคัญ</p></div><p>นอกจากนี้ ระบบยังรองรับการส่งออกรายงานในรูปแบบที่เครื่องอ่านได้ การระงับผลการตรวจสอบที่ยอมรับได้ผ่านเกณฑ์ควบคุม การตรวจจับข้อผิดพลาดใหม่ที่เพิ่งถูกเพิ่มเข้ามา รวมถึงการขยายเวิร์กโฟลว์ด้วยนโยบายเฉพาะขององค์กร</p><p>ผลลัพธ์จากการสแกนสามารถนำไปแปลงเป็นระบบ CI Gate อัตโนมัติและสรุปความเสี่ยงในรูปแบบภาพ ทำให้ทีมพัฒนาสามารถตัดสินใจในการปรับใช้ซอฟต์แวร์ได้อย่างสม่ำเสมอ โดยอ้างอิงจากคะแนน ระดับความรุนแรง ความมั่นใจ และการควบคุมตามกฎที่กำหนดไว้ ทั้งหมดนี้ถูกรวบรวมอยู่ในเวิร์กโฟลว์บน Google Colab ที่นำกลับมาใช้ซ้ำได้เพื่อประเมินทักษะของบุคคลที่สามและลดความเสี่ยงด้านความปลอดภัย</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/04/building-an-advanced-ai-skill-security-auditing-pipeline-with-nvidia-skillspector-langgraph-yara-rules-sarif-and-ci-policy-gates/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Implementing a comprehensive security assessment pipeline for AI skills and marketplace governance.</li><li>Detecting dangerous instructions, credential access patterns, and dependency risks.</li><li>Exporting machine-readable reports and suppressing accepted findings through baselines.</li><li>Translating scan results into automated CI gates for consistent deployment decisions.</li></ul></div><p>The technical framework demonstrates the implementation of a full-scale security assessment pipeline designed specifically for AI skills. By leveraging advanced tools such as <b>NVIDIA SkillSpector</b>, <b>LangGraph</b>, <b>YARA Rules</b>, <b>SARIF</b>, and <b>CI Policy Gates</b>, developers can secure agentic tools and external skill packages effectively.</p><p>The system excels at identifying critical security vectors:</p><ul><li>Identifying dangerous instructions embedded within code.</li><li>Pinpointing credential access patterns and dependency risks.</li><li>Detecting remote execution behavior and prompt injection attempts.</li><li>Uncovering metadata-level MCP attacks while preserving clear evidentiary trails for every finding.</li></ul><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_nvidia_skillspector_langgraph_msekba8n_inline_1_1631cb8f9f.jpg" alt="software security auditing dashboard code analysis" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="ai-insight"><p>Integrating third-party AI skills and agentic packages introduces hidden vectors of compromise into modern software architectures. Establishing automated security auditing pipelines directly inside the CI/CD workflow is vital for intercepting prompt injections, unauthorized credential harvesting, and malicious remote code executions before they reach production environments.</p></div><p>Furthermore, the workflow allows teams to export machine-readable reports, suppress accepted findings via controlled baselines, detect newly introduced regressions, and extend built-in inspection mechanisms with custom organizational policies.</p><p>Ultimately, the scan results feed directly into automated CI gates and visual risk summaries. This enables teams to make consistent deployment decisions driven by quantifiable scores, severity levels, confidence metrics, and rule-level controls, all encapsulated within a reusable Colab-based environment.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/04/building-an-advanced-ai-skill-security-auditing-pipeline-with-nvidia-skillspector-langgraph-yara-rules-sarif-and-ci-policy-gates/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

large_article-1486.jpg

medium_article-1486.jpg

small_article-1486.jpg

thumbnail_article-1486.jpg

article-1486.jpg

เจาะลึกกระบวนการสร้างไปป์ไลน์ตรวจสอบความปลอดภัยสำหรับทักษะ AI และเครื่องมือตัวแทนอัจฉริยะ พร้อมการควบคุมนโยบายแบบอัตโนมัติ

A comprehensive look at implementing a security assessment pipeline for AI skills and agentic tools using automation and policy gates.

สร้างระบบตรวจสอบความปลอดภัยทักษะ AI ด้วย NVIDIA SkillSpector และ LangGraph

Building an Advanced AI Skill Security Pipeline with NVIDIA SkillSpector

<div class="key-takeaways"><ul><li>Reflex เปิดโอเพนซอร์สไลบรารี XY ขับเคลื่อนด้วย Rust สำหรับพล็อตข้อมูล Python</li><li>ทำความเร็วเหนือกว่า Matplotlib และ Plotly รองรับการแสดงผลจุดข้อมูลมหาศาลถึง 100 ล้านจุด</li><li>ใช้หน่วยความจำฝั่ง Python น้อยกว่า พร้อมส่งออกไฟล์ HTML มีขนาดเล็กเพียง 258 KiB</li><li>รองรับตระกูลชาร์ต 14 แบบ และมีชุดคำสั่งจำลองเพื่อรองรับการย้ายมาจาก Matplotlib ได้ทันที</li></ul></div><p>Reflex ได้เปิดตัวไลบรารีโอเพนซอร์สตัวใหม่ที่มีชื่อว่า <strong>XY</strong> ซึ่งปัจจุบันอยู่ในช่วงเริ่มต้นพัฒนาเวอร์ชัน 0.0.1 โดยถูกออกแบบมาเพื่อแก้ปัญหาคอขวดของการประมวลผลข้อมูลจำนวนมหาศาล ไลบรารีตัวนี้ทำงานเบื้องหลังด้วยภาษา Rust และสามารถติดตั้งได้ผ่านคำสั่ง <code>pip install xy</code> โดยมีความต้องการระบบคือต้องใช้งานร่วมกับ Python 3.11 หรือใหม่กว่าเท่านั้น</p><p>ในด้านการนำไปใช้งาน XY เหมาะสำหรับทีมข้อมูลขนาดกลางหรือสตาร์ทอัพที่ต้องการนำมาใช้กับระบบวิเคราะห์ภายใน โน้ตบุ๊กสำหรับนักพัฒนา หรือชิ้นงานที่แชร์ร่วมกัน อย่างไรก็ตาม สำหรับองค์กรที่มีการควบคุมความปลอดภัยสูง แนะนำให้นำไปทดลองใช้งานจริงในระบบปิดก่อนนำไปใช้กับเส้นทางหลักที่ต้องพบเจอกับผู้ใช้งานโดยตรง พื้นที่ที่ไลบรารีนี้แสดงประสิทธิภาพสูงสุดคือกลุ่มงานที่ปริมาณแถวข้อมูลเป็นอุปสรรคสำคัญ เช่น การเงินเชิงปริมาณ (Tick Data), ชีวสารสนเทศศาสตร์, ระบบติดตามสถานะระบบ (Observability), ดาราศาสตร์ และการวิเคราะห์เชิงพื้นที่ (Geospatial Analytics)</p><div class="ai-insight"><p>การที่ XY เลือกใช้ภาษา Rust มาขับเคลื่อนเบื้องหลัง ควบคู่กับการเก็บคอลัมน์ข้อมูลแบบ <code>f64</code> ไว้ใน ColumnStore ฝั่ง Python ช่วยให้สามารถหลีกเลี่ยงข้อจำกัดด้านประสิทธิภาพของ Python แบบเดิมๆ ได้อย่างอยู่หมัด แนวทางนี้สะท้อนให้เห็นถึงเทรนด์การพัฒนาเครื่องมือสำหรับ Data Science ยุคใหม่ ที่มักดึงความเร็วของภาษาคอมไพล์ระดับล่างมาผสานเข้ากับความยืดหยุ่นของภาษาสคริปต์ เพื่อรองรับข้อมูล Big Data ขนาดหลายสิบล้านจุดโดยไม่ทำให้เบราว์เซอร์ค้าง</p></div><p>กลไกการทำงานภายในของ XY จะเก็บค่าที่แท้จริงไว้ฝั่ง Python และเลือกรูปแบบการเรนเดอร์ที่เหมาะสมที่สุดในแต่ละเทรซ โดยค่าตั้งต้นปัจจุบันจะเริ่มใช้กระบวนการลดทอนความละเอียดแบบ M4 เมื่อมีแถวข้อมูลยาวต่อเนื่องเกิน 10,000 แถว และเปิดใช้ระบบความหนาแน่นของจุดกระจายอัตโนมัติเมื่อข้อมูลเกิน 200,000 จุด ส่วนตารางความหนาแน่นจะถูกกำหนดค่าเริ่มต้นไว้ที่ 512×384 เซลล์ ซึ่งทางเอกสารระบุชัดเจนว่านี่คือเกณฑ์นโยบายก่อนเข้าสู่เวอร์ชัน 1.0 และไม่ใช่การรับประกัน API ถาวร</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/reflex_xy_python_rust_100_msekagix_inline_1_e2c411b3fa.jpg" alt="data science performance benchmark graph" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>จุดเด่นสำคัญคือการที่ค่าพิกัดและข้อมูลที่แท้จริงยังคงอยู่ใน Python ทำให้การโต้ตอบ เช่น การวางเมาส์ชี้ (Hover), การเลือกพื้นที่ (Selection) และฟังก์ชัน <code>pick()</code> ยังคงเรียกข้อมูลแถวต้นฉบับได้อย่างแม่นยำเมื่ออยู่ในระดับชั้นที่มีการแมปข้อมูลแบบตรงตัว การซูมเข้าไปในหน้าต่างแคบๆ จะส่งคืนข้อมูลจุดที่มองเห็นได้อย่างแม่นยำ และการแพนหน้าจอในบริเวณใกล้เคียงจะเรนเดอร์จากหน้าต่างที่ถูกแคชไว้โดยไม่ต้องส่งคำขอชุดใหม่ไปที่เซิร์ฟเวอร์ซ้ำ</p><div class="stat-row"><div class="stat-item"><span class="stat-number">34×</span><span class="stat-label">ความเร็วที่เพิ่มขึ้นที่ 10M จุด</span></div><div class="stat-item"><span class="stat-number">177×</span><span class="stat-label">ความเร็วที่เพิ่มขึ้นที่ 50M จุด</span></div><div class="stat-item"><span class="stat-number">258 KiB</span><span class="stat-label">ขนาดไฟล์ HTML ส่งออก (1M-100M จุด)</span></div></div><p>ผลการทดสอบประสิทธิภาพที่ทดสอบผ่านเบราว์เซอร์จริงบนเครื่อง Apple มินิบาร์ M5 Pro จำนวนหนึ่งรอบต่อการทดสอบ ระบุว่า XY ทำความเร็วเร็วกว่าเดิมถึง 34 เท่าที่ 10 ล้านจุด และเร็วกระโดดขึ้นไปถึง 177 เท่าเมื่อทดสอบที่ 50 ล้านจุด ในขณะที่การใช้หน่วยความจำสูงสุดฝั่ง Python ที่ 10 ล้านจุด XY ใช้เพียง 0.32 GiB เทียบกับ Matplotlib ที่ใช้ 0.84 GiB และ Plotly ที่ใช้สูงถึง 1.86 GiB นอกจากนี้ เมื่อปิดฟีเจอร์ความหนาแน่น XY ยังสามารถวาดจุดข้อมูลที่ตรงกันเป๊ะ 100 ล้านจุดได้ภายในเวลาเพียง 1.343 วินาที บนพื้นที่หน่วยความจำ 5.26 GiB อีกทั้งยังรายงานผลการเรนเดอร์ชุดข้อมูลแผนที่ OpenStreetMap แบบเต็มรูปแบบที่มีจำนวนจุดถึง 10,000 ล้านจุดได้อีกด้วย</p><p>ในส่วนของการนำออกข้อมูล ชาร์ตแบบกระจาย (Scatter Plot) ที่มีจำนวน 10 ล้านจุดสามารถส่งออกเป็นไฟล์ HTML ขนาดเพียง 258 KiB เทียบกับ Plotly ที่มีขนาดสูงถึง 259 MiB โดยขนาดเพย์โหลดนี้จะยังคงคงที่อยู่ที่ประมาณ 258 KiB ตั้งแต่ระดับ 1 ล้านจุดไปจนถึง 100 ล้านจุด</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/reflex_xy_python_rust_100_msekagix_inline_2_a1ee3d36f6.jpg" alt="interactive web charting dashboard UI" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>การสร้างชาร์ตภายในไลบรารีนี้ทำในรูปแบบ Declarative ผ่านองค์ประกอบต่างๆ เช่น มาร์กเกอร์, แกนพิกัด, คำอธิบายแผนภูมิ, เครื่องมือช่วยชี้ และคำอธิบายประกอบ โดยปัจจุบันมีตระกูลชาร์ตพร้อมใช้งานแล้ว 14 แบบ ได้แก่ Scatter, Line, Area, Histogram, Box, Violin, ECDF, Heatmap, Hexbin และ Contour ด้านการตกแต่งสไตล์สามารถรองรับคลาส CSS และ Tailwind ผ่านช่อง DOM ที่เสถียร สำหรับผู้ที่ต้องการย้ายระบบ สามารถใช้คำสั่ง <code>import xy.pyplot as plt</code> เพื่อรันโค้ด Matplotlib แบบดั้งเดิมได้ แม้คู่มือความเข้ากันได้จะระบุว่าอาจยังไม่รองรับฟีเจอร์ทั้งหมดก็ตาม นอกจากนี้ยังมีอะแดปเตอร์แยกอย่าง <code>reflex-xy</code> ที่แปลงชาร์ตใดๆ ให้กลายเป็นคอมโพเนนต์ของ Reflex ได้ทันทีโดยไม่ต้องใช้จافาสคริปต์หรือ Iframe</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/04/reflex-open-sources-xy/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Reflex open-sources XY, a Rust-backed charting library built for Python.</li><li>Delivers massive speedups over Matplotlib and Plotly, supporting up to 100M points.</li><li>Consumes lower Python-side memory and exports tiny 258 KiB HTML payloads.</li><li>Ships with 14 chart families and a compatibility adapter for migrating from Matplotlib.</li></ul></div><p>Reflex has open-sourced a new library called <strong>XY</strong>, currently in early alpha at version 0.0.1, designed to eliminate performance bottlenecks when handling massive datasets. Powered under the hood by Rust, the library can be installed via <code>pip install xy</code> and requires Python 3.11 or newer to run.</p><p>Regarding deployment, XY fits best for startups and mid-size data teams looking for internal analytics, notebooks, and shareable artifacts. Regulated enterprises are advised to run pilot tests rather than placing it on customer-facing critical paths. Its utility shines brightest where row counts act as primary bottlenecks, such as quantitative finance with tick data, genomics and bioinformatics, observability and telemetry, astronomy, and geospatial analytics.</p><div class="ai-insight"><p>By leveraging Rust under the hood and maintaining canonical <code>f64</code> columns in a Python ColumnStore, XY bypasses traditional Python performance constraints. This design exemplifies the modern trend in data science tooling: combining the raw computational speed of lower-level compiled languages with the flexibility of script environments to handle tens of millions of data points without browser unresponsiveness.</p></div><p>Internally, XY keeps exact values in Python and determines a rendered representation per trace. Current default behaviors trigger M4 decimation above 10,000 rows for long ordered lines and automatic scatter density above 200,000 points. Density grids default to 512×384 cells, which official documentation explicitly notes as pre-1.0 policy thresholds rather than permanent API guarantees.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/reflex_xy_python_rust_100_msekagix_inline_1_e2c411b3fa.jpg" alt="data science performance benchmark graph" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Because exact values remain accessible in Python, hover interactions, selections, and the <code>pick()</code> method continue to resolve original rows whenever the active tier maintains an exact mapping. Zooming into a narrow window yields exact visible points from a padded aligned window, and nearby pans render directly from that cached window without triggering additional requests.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">34×</span><span class="stat-label">Speedup at 10M points</span></div><div class="stat-item"><span class="stat-number">177×</span><span class="stat-label">Speedup at 50M points</span></div><div class="stat-item"><span class="stat-number">258 KiB</span><span class="stat-label">Exported HTML size (1M-100M rows)</span></div></div><p>Benchmark measurements run through a real browser on a single Apple M5 Pro device show a stated 34× speedup at 10 million points and 177× at 50 million points. Peak Python-side memory usage at 10 million points reaches 0.32 GiB for XY, compared to 0.84 GiB for Matplotlib and 1.86 GiB for Plotly. When density is set to false, XY draws 100 million exact markers in 1.343 seconds using 5.26 GiB of memory. Reflex also highlights the successful rendering of the complete OpenStreetMap dataset comprising 10 billion points.</p><p>Export capabilities are equally striking: a 10-million-point interactive scatter plot exports to just 258 KiB of HTML, contrasted with a stated 259 MiB for the equivalent Plotly output. This payload size remains constant around 258 KiB across datasets ranging from 1 million to 100 million rows.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/reflex_xy_python_rust_100_msekagix_inline_2_a1ee3d36f6.jpg" alt="interactive web charting dashboard UI" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Charts are constructed declaratively using marks, axes, legends, tooltips, and annotations. Fourteen chart families are available out of the box, including scatter, line, area, histogram, box, violin, ECDF, heatmap, hexbin, and contour. Styling integrates cleanly with CSS and Tailwind classes through stable DOM slots. For migration purposes, importing <code>xy.pyplot as plt</code> enables running common Matplotlib pyplot syntax, though compatibility notices warn that full coverage is not guaranteed. Additionally, a separate <code>reflex-xy</code> adapter transforms any chart into a native Reflex component without requiring JavaScript or iframes.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/04/reflex-open-sources-xy/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_reflex-xy-python-rust-100-msekagix.jpg

small_reflex-xy-python-rust-100-msekagix.jpg

thumbnail_reflex-xy-python-rust-100-msekagix.jpg

reflex-xy-python-rust-100-msekagix.jpg

ไลบรารี XY เวอร์ชัน 0.0.1 รองรับการทำงานร่วมกับ Python 3.11 ขึ้นไป ช่วยจัดการข้อมูลขนาดใหญ่นับร้อยล้านจุดได้อย่างลื่นไหลและโต้ตอบได้ทันที

The new XY library version 0.0.1 requires Python 3.11+ and brings high-speed, interactive charting for datasets up to 100 million points.

Reflex เปิดตัว XY ไลบรารีพล็อตชาร์ต Python เร็วสูงด้วย Rust รองรับจุดข้อมูลถึง 100 ล้านจุด

Reflex Opens Sources XY: A Rust-Backed Super-Fast Python Charting Library

<div class="key-takeaways"><ul><li>พัฒนาโดยวิศวกร 1 คน ใช้เวลา 1 สัปดาห์ และงบประมาณโทเค็นราว 10,000 ดอลลาร์สำหรับรุ่น Alpha</li><li>เปิดให้ใช้งานฟรีและไม่มีโฆษณา โดยฟีเจอร์ AI จะใช้เครดิตของ Genspark</li><li>รองรับ macOS (Apple Silicon) และ Windows x64 ภายใต้สัญญาอนุญาต Apache-2.0</li><li>สถาปัตยกรรมเน้นการแก้ไขไฟล์ต้นฉบับเฉพาะจุด (Dirty Tracking) เพื่อรักษาความสมบูรณ์ของเลย์เอาต์</li></ul></div><p>Genspark ได้สร้างความฮือฮาให้กับวงการซอฟต์แวร์ด้วยการเปิดซอร์ส <strong>GenOffice</strong> ชุดโปรแกรมสำนักงานขับเคลื่อนด้วยปัญญาประดิษฐ์ที่เปิดให้ใช้งานได้ฟรีและไม่มีโฆษณา โดยโปรเจกต์นี้เริ่มต้นจากแนวคิดอันท้าทายของทีมงาน ด้วยผลงานของวิศวกรเพียงคนเดียว ใช้เวลาพัฒนาภายใน 1 สัปดาห์ และใช้งบประมาณด้านโทเค็นประมาณ 10,000 ดอลลาร์สหรัฐสำหรับรุ่น Alpha โดยผู้ใช้งานสามารถดาวน์โหลดไบนารีไปติดตั้งได้ทันทีบน Apple Silicon Mac และ Windows x64 รวมถึงสามารถคอมไพล์ซอร์สโค้ดเองได้โดยใช้ Node 20+, npm 10+ และ Rust toolchain สำหรับส่วนของ Sheets sidecar</p><p>สำหรับแนวทางการใช้งาน ชุดโปรแกรมนี้เหมาะอย่างยิ่งสำหรับสตาร์ทอัพและธุรกิจขนาดเล็ก (SMB) เนื่องจากไม่มีค่าธรรมเนียมใบอนุญาต ไม่มีลายน้ำ และยังคงความแม่นยำของไฟล์ .docx, .xlsx และ .pptx แบบเต็มรูปแบบ ขณะที่ทีมงานระดับกลางสามารถฟอร์ก (Fork) โค้ดไปพัฒนาต่อได้ภายใต้สัญญาอนุญาต Apache-2.0 แม้ว่าไดเรกทอรี ee/ จะถูกสงวนไว้สำหรับโมดูลระดับองค์กรในอนาคต และชื่อ GenOffice รวมถึง Genspark จะยังคงเป็นเครื่องหมายทางการค้าของ Mainfunc, Inc. ที่ไม่อนุญาตให้นำกลับมาใช้ซ้ำในโปรเจกต์ฟอร์กก็ตาม ส่วนองค์กรที่มีกฎระเบียบคุมเข้ม แนะนำให้รอความพร้อม เนื่องจากสถานะยังเป็น Alpha และเส้นทางการเรียกใช้งาน AI ผ่านระบบคลาวด์ยังต้องผ่านกระบวนการจัดซื้อจัดจ้างและการประเมินผลกระทบด้านการคุ้มครองข้อมูล (DPIA) เสียก่อน</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/genspark_genoffice_ai_macos_windows_mse7b1ll_inline_1_802d652a4c.jpg" alt="coding development workstation screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">1 สัปดาห์</span><span class="stat-label">ระยะเวลาพัฒนาเวอร์ชัน Alpha</span></div><div class="stat-item"><span class="stat-number">$10,000</span><span class="stat-label">งบประมาณโทเค็นเริ่มต้น</span></div></div><p>ในด้านการจัดการเอกสาร GenOffice ใช้วิธีจัดเก็บไฟล์ .docx ต้นฉบับด้วยแฮช (Hash) และไม่มีการแก้ไขไฟล์ต้นฉบับโดยตรง ระบบ docx-engine จะทำการแยกวิเคราะห์องค์ประกอบระดับบนสุดของ word/document.xml ให้เป็นบล็อกทรี (Block Tree) โดยแต่ละบล็อกจะผูกด้วย docxIndex และ XML slice ดั้งเดิม การแก้ไขจะเกิดขึ้นผ่าน TipTap streaming editor พร้อมระบบติดตามการเปลี่ยนแปลง (Dirty Tracking) เมื่อบันทึก ระบบจะแปลงเฉพาะบล็อกที่มีการเปลี่ยนแปลงให้เป็นชิ้นส่วน OOXML และเชื่อมกลับเข้าไปใน document.xml เดิม ส่งผลให้การเปิดและบันทึกไฟล์ไม่เคยทำลายเลย์เอาต์เดิมใน Word อีกต่อไป ทั้งมุมมองแบบแบ่งหน้ายังคงค่าระยะบรรทัดเดิม รองรับทั้งการติดตามการเปลี่ยนแปลง ความคิดเห็น สไตล์ สมการ และลายเส้นหมึก</p><div class="ai-insight"><p>การที่ GenOffice เลือกใช้แนวทางแก้ไขไฟล์เฉพาะส่วน (Narrow Patches) แทนการแปลงไฟล์ทั้งฉบับ ถือเป็นจุดเด่นสำคัญทางสถาปัตยกรรมที่ช่วยแก้ปัญหาคลาสสิกของชุดโปรแกรมออฟฟิศทางเลือกอื่นๆ ที่มักพบปัญหาจัดหน้าเพี้ยนเมื่อเปิดไฟล์ร่วมกับ Microsoft Office นอกจากนี้ การเปิดซอร์สโค้ดแบบ Apache-2.0 ยังเปิดโอกาสให้นักพัฒนาภายนอกสามารถตรวจสอบความโปร่งใสและต่อยอดฟีเจอร์ได้อย่างอิสระ</p></div><p>ขณะที่แอปพลิเคชันอื่นๆ ในชุดก็ใช้แนวคิดเดียวกัน โดย <strong>Sheets</strong> สร้างอินเทอร์เฟซบนแกนโอเพนซอร์ส Univer core (Apache-2.0) ร่วมกับส่วนขยายภายใน นำเข้าและส่งออกไฟล์ XLSX ผ่าน Rust sidecar ที่ใช้ calamine และ IronCalc พร้อมเรนเดอร์กราฟด้วย Konva รวมถึงรองรับตารางสรุปข้อมูล (Pivot tables), Slicers, การจัดรูปแบบตามเงื่อนไข และการติดตามสูตร ส่วน <strong>Slides</strong> ใช้เอนจินภายในสำหรับการแยกวิเคราะห์ เรนเดอร์ และแก้ไขไฟล์ .pptx ครอบคลุมทั้ง Master, กราฟ, การครอบตัด, หมึก และการจัดรูปทรงข้อความผ่าน HarfBuzz metrics ด้าน <strong>PDF</strong> สร้างขึ้นบน pdf.js และ pdf-lib พร้อมฟังก์ชันคำอธิบายประกอบ, ฟอร์ม, เค้าโครง, สแตมป์, ลายเซ็น, การจัดการหน้าและการพิมพ์ ส่วน Shell ทำหน้าที่เป็นหน้าจอหลัก, โฮ스팅แบบแท็บ และระบบอัปเดตอัตโนมัติ</p><p>นอกจากนี้ ในส่วนของความปลอดภัย (SECURITY.md) ได้ถูกระบุไว้อย่างละเอียดเป็นพิเศษสำหรับซอฟต์แวร์ระดับ Alpha โดยหน้าต่างเอกสารทุกบานจะทำงานภายใต้ contextIsolation: true, nodeIntegration: false และ sandbox: true เพย์โหลด IPC จะถูกตรวจสอบสคีมาในกระบวนการหลัก และแอปพลิเคชัน Sheets จะใช้ zod แบบ end-to-end ลิงก์ภายนอกทั้งหมดจะผ่านเกรตเวย์ safeExternalUrl เพียงจุดเดียวเพื่อบังคับใช้รายการอนุญาต http/https โดยจะปฏิเสธสคีมาประเภท file:, javascript: และสคีมาปรับแต่งอื่นๆ พร้อมทั้งจัดทำโมเดลภัยคุกคาม AI ไว้ถึง 2 รูปแบบ ได้แก่ การแยกวิเคราะห์สคริปต์เลย์เอาต์ของ Slides ด้วย Acorn ผ่านตัวแปล AST แบบจำกัด (Constrained AST interpreter) และการเรนเดอร์ HTML ที่สร้างโดย AI ในท่อส่งออก .pptx ภายใน BrowserWindow ที่ซ่อนอยู่และถือว่าเป็นอันตราย</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/03/genspark-open-sources-genoffice-a-free-ad-free-ai-office-suite-for-macos-and-windows-with-docs-sheets-slides-pdf/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Built by one engineer in one week with roughly $10,000 in token budget for the Alpha release.</li><li>Offered completely free and ad-free, with AI features powered by Genspark credits.</li><li>Compatible with Apple Silicon Macs and Windows x64 under the Apache-2.0 license.</li><li>Features a unique architecture that patches original files to preserve document layouts completely.</li></ul></div><p>Genspark has made waves in the software community by open-sourcing <strong>GenOffice</strong>, an artificial intelligence-driven office suite provided entirely free and without advertisements. The project's scope was remarkably lean from day one, conceived by a single engineer over a one-week development sprint, utilizing roughly $10,000 worth of tokens for the Alpha phase. Binaries are immediately available for installation on Apple Silicon Macs and Windows x64, while developers can also build from source utilizing Node 20+, npm 10+, and a Rust toolchain dedicated to the Sheets sidecar.</p><p>This release maps cleanly to specific initial adopters. Startups and small-to-medium businesses (SMBs) represent the natural first tier due to zero license fees, no watermarks, and full fidelity across .docx, .xlsx, and .pptx formats. Mid-market teams can freely fork the codebase as permitted by the Apache-2.0 license, though the ee/ directory remains reserved for upcoming enterprise modules under a separate GenOffice Enterprise License, and the GenOffice and Genspark names remain Mainfunc, Inc. trademarks that forks are prohibited from reusing. Regulated enterprises, however, are advised to wait, as the current alpha status and cloud-routed AI pathways require formal procurement review and Data Protection Impact Assessment (DPIA) work first.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/genspark_genoffice_ai_macos_windows_mse7b1ll_inline_1_802d652a4c.jpg" alt="coding development workstation screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">1 Week</span><span class="stat-label">Alpha Development Sprint</span></div><div class="stat-item"><span class="stat-number">$10,000</span><span class="stat-label">Initial Token Budget</span></div></div><p>When handling documents, GenOffice archives the original .docx file by hash and completely avoids modifying it directly. The docx-engine parses top-level elements of word/document.xml into a structured block tree, anchoring each block with a docxIndex paired with the original XML slice. Editing is powered by a TipTap streaming editor equipped with dirty tracking. Upon saving, only the modified blocks are converted into OOXML fragments—referencing pre-existing styles—and spliced back into the original document.xml. Untouched blocks preserve their original bytes byte-for-byte, and every other archive entry is copied verbatim.</p><div class="ai-insight"><p>GenOffice's strategic choice to employ narrow patches over a true source file addresses a notorious pain point in alternative office suites: layout corruption upon round-trip editing with Microsoft Office. Furthermore, adopting an open-source Apache-2.0 model allows external developers to audit code transparency and build custom extensions safely.</p></div><p>The remaining applications follow this exact engineering philosophy. <strong>Sheets</strong> builds its interface upon the open-source Univer core (Apache-2.0) supplemented by extensive proprietary extensions, handling XLSX imports and exports via a native Rust sidecar utilizing calamine and IronCalc. Charts are rendered in-house using Konva alongside pivot tables, slicers, conditional formatting, and formula tracing. <strong>Slides</strong> relies on a proprietary pptx parsing, rendering, and editing engine that covers masters, charts, cropping, ink, and text shaping via HarfBuzz metrics. The PDF module utilizes pdf.js and pdf-lib to support annotations, forms, outlines, stamps, signatures, page operations, and printing, while the Shell component acts as the home screen, tabbed host, and auto-updater manager.</p><p>Furthermore, the SECURITY.md documentation is remarkably rigorous for an alpha release. Every document window executes with contextIsolation: true, nodeIntegration: false, and sandbox: true enabled. Inter-Process Communication (IPC) payloads undergo strict schema validation within the main process, with Sheets implementing end-to-end Zod validation. External web links are funneled through a single safeExternalUrl gate enforcing an explicit http/https allowlist, rejecting file:, javascript:, and custom schemes. Additionally, two distinct AI threat models are explicitly documented: Slides layout scripts are parsed via Acorn and evaluated inside a constrained AST interpreter—bypassing eval, Function, VM contexts, or workers entirely—while AI-generated HTML in the pptx export pipeline runs inside an isolated, hostile-treated hidden BrowserWindow driven exclusively via executeJavaScript under a watchdog timeout.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/03/genspark-open-sources-genoffice-a-free-ad-free-ai-office-suite-for-macos-and-windows-with-docs-sheets-slides-pdf/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_genspark-genoffice-ai-macos-windows-mse7b1ll.jpg

small_genspark-genoffice-ai-macos-windows-mse7b1ll.jpg

thumbnail_genspark-genoffice-ai-macos-windows-mse7b1ll.jpg

genspark-genoffice-ai-macos-windows-mse7b1ll.jpg

ชุดโปรแกรมออฟฟิศโอเพนซอร์สใหม่รองรับ Docs, Sheets, Slides และ PDF พร้อมพลัง AI และสถาปัตยกรรมความปลอดภัยขั้นสูง

A new open-source office suite featuring Docs, Sheets, Slides, and PDF capabilities powered by integrated AI and advanced security architecture.

Genspark เปิดตัว GenOffice ชุดโปรแกรมสำนักงาน AI ฟรี ไม่มีโฆษณา สำหรับ macOS และ Windows

Genspark Open Sources GenOffice: A Free, Ad-Free AI Office Suite for macOS and Windows

<div class="key-takeaways"><ul><li>QM เป็นซอฟต์แวร์จัดการ AI Agent ระดับองค์กร ไม่ใช่แอปเดสก์ท็อป</li><li>แต่ละคนและห้องสนทนามีพื้นที่ทำงานหน่วยความจำและแซนด์บ็อกซ์แยกอิสระ</li><li>รองรับหลากหลาย AI Harness ทั้ง Pi, OpenCode, Codex และ Claude Code</li><li>ใช้สัญญาอนุญาตแบบ MIT และเปิดให้ใช้งานได้ทันทีบนคลาวด์ขององค์กร</li></ul></div><p>Y Combinator ได้เปิดตัวและเปิดซอร์สโค้ด QM (QM) ซึ่งเป็นระบบ Multiplayer AI Agent ที่ใช้งานสิทธิ์แบบ MIT โดยออกแบบมาเพื่อการใช้งานในระดับองค์กรโดยเฉพาะ ตัวซอฟต์แวร์พร้อมให้ใช้งานได้ทันทีในปัจจุบัน แต่จัดเป็นซอฟต์แวร์สำหรับองค์กร (Org Software) ที่ต้องใช้บัญชีคลาวด์ ฐานข้อมูล Postgres และผู้ดูแลระบบที่มีความเชี่ยวชาญด้านโครงสร้างพื้นฐาน โดยกลุ่มเป้าหมายที่เหมาะสมที่สุดคือสตาร์ทอัพหรือบริษัทขนาดกลางที่มีพนักงานประมาณ 10 ถึง 500 คน และมีวิศวกรแพลตฟอร์มอย่างน้อย 1 คน ส่วนองค์กรขนาดใหญก็สามารถใช้งานได้เช่นกัน แต่ควรตรวจสอบมาตรการด้านความปลอดภัยเสียก่อน</p><p>กระบวนการติดตั้ง QM ไม่จำเป็นต้องโคลนคลังโค้ดทั้งหมด แต่ใช้วิธีสร้างคลังโค้ดสำหรับปรับใช้ขององค์กรเองโดยพึ่งพาแพ็กเกจ @yc-software/qm จากนั้นรันคำสั่ง qm init พร้อมระบุชื่อองค์กร (Org Slug) และเป้าหมายการรันบน Fly.io หรือ AWS กระบวนการเริ่มต้นนี้จะสร้างสกิลการปรับใช้งานที่จะพาผู้ดูแลระบบไปทีละขั้นตอน ทั้งเรื่องโครงสร้างพื้นฐาน การเข้าสู่ระบบเว็บ ตัวเชื่อมต่อ การเข้าถึง Slack และการตรวจสอบแบบสด ระบบล็อกอินเริ่มต้นจะใช้ระบบส่งลิงก์แบบใช้ครั้งเดียวทางอีเมลผ่านระบบโบรกเกอร์ในตัว หรือสามารถเปลี่ยนไปใช้ผู้ให้บริการยืนยันตัวตนภายนอกได้ การรันทุกครั้งจะเกิดขึ้นบนบัญชีคลาวด์ของตัวผู้ดูแลระบบเอง</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/y_combinator_qm_multiplayer_ai_agent_mse7a48l_inline_1_06096acd23.jpg" alt="software development architecture diagram" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>แนวคิดเบื้องหลัง QM คือการแก้ปัญหาความซับซ้อนของการใช้ AI Assistant ส่วนตัวคนเดียวมาขยายผลใช้งานร่วมกันทั้งบริษัท โดย QM จะจัดสรรพื้นที่ทำงานที่แยกขาดจากกันให้กับพนักงานแต่ละคน เพื่อไม่ให้ผู้อื่นเข้ามารบกวนได้ พร้อมทั้งเปิดให้ผู้ใช้งานสามารถทำงานร่วมกับ AI Agent ได้ผ่านช่องทางแชท ข้อความกลุ่ม และโปรเจกต์ต่างๆ โดยทุกตัวตนและห้องสนทนาจะมีขอบเขตหน่วยความจำ ไฟล์ มุมมองพวงกุญแจกุญแจสิทธิ์ ระบบตั้งเวลาอัตโนมัติ (Crons) เว็บแอปพลิเคชัน และแซนด์บ็อกซ์ที่คงสภาพไว้เป็นของตัวเอง ทั้งนี้ตัวตนและการตั้งค่าจะเชื่อมโยงกันอย่างราบรื่นระหว่าง Slack และเว็บแอป</p><div class="ai-insight"><p>การเปิดตัว QM ของ Y Combinator สะท้อนให้เห็นถึงวิวัฒนาการของ AI Agent ในองค์กรที่ย้ายจากการใช้งานแบบปัจเจกบุคคล (Personal Assistant) สู่การทำงานร่วมกันเป็นทีม (Collaborative Multi-Agent) จุดเด่นสำคัญคือการเปิดกว้างด้านโครงสร้าง (Harness-agnostic) ทำให้องค์กรไม่ถูกผูกขาดกับผู้ให้บริการรายใดรายหนึ่ง และการควบคุมความปลอดภัยที่รัดกุมระดับองค์กร ซึ่งช่วยลดความเสี่ยงในการรั่วไหลของข้อมูลและคำสั่งที่เป็นอันตราย</p></div><p>ในด้านสถาปัตยกรรมระบบ การทำงานทุกคำสั่งจะผ่านแกนกลางแบบไร้หัว (Central Headless Core) ที่ทำหน้าที่จัดการ API, ตัวตน, นโยบาย และการจัดตารางเวลา ควบคู่ไปกับการรันลูปของเอเจนต์ โดยมีชั้นข้อมูล Postgres จัดเก็บข้อมูลผู้ใช้และประวัติเซสชัน ตัวเอเจนต์มีชุดเครื่องมือขนาดเล็กและจำกัด หนึ่งในนั้นคือคำสั่ง execute ที่ใช้รันคำสั่งภายในแซนด์บ็อกซ์ที่แยกส่วนของใครของมัน ยิ่งไปกว่านั้น QM ยังมีความเป็นกลางด้านตัวขับเคลื่อน (Harness-agnostic) โดยมี Pi, OpenCode, Codex และ Claude Code ทำงานร่วมกับแกนกลางตัวเดียวกันได้</p><p>ด้านมาตรการความปลอดภัย QM มีโหมดการทำงานให้องค์กรเลือกปรับใช้ตามความเหมาะสม ได้แก่ โหมด Strict ที่จะหยุดรอการอนุมัติจากมนุษย์ทุกครั้งที่มีการเรียกใช้เครื่องมือ โหมด Auto (ค่าเริ่มต้น) ที่ใช้ระบบคัดกรองข้อมูลภายนอกและผลลัพธ์ของเครื่องมือด้วยตัวจำแนกประเภทก่อนส่งถึงโมเดล และโหมด Dangerous ที่ปิดการคัดกรองเนื้อหาแต่ยังคงมีนโยบายคำสั่งที่ถูกตั้งค่าไว้ล่วงหน้าเพื่อป้องกันคำสั่งที่เป็นอันตรายขั้นเด็ดขาด เช่น การลบแบบวนซ้ำ (Recursive Deletes) และคำสั่ง SQL ทำลายล้าง</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/03/y-combinator-open-sources-qm-multiplayer-ai-agent-harness/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>QM is enterprise organization software rather than a desktop application.</li><li>Each user and chat room gets an isolated workspace, memory, and sandbox.</li><li>It is harness-agnostic, supporting Pi, OpenCode, Codex, and Claude Code.</li><li>The project is available under an MIT license for immediate cloud deployment.</li></ul></div><p>Y Combinator has open-sourced QM, an MIT-licensed multiplayer AI agent harness designed specifically for organizational use. The software is ready for deployment today, functioning as organization software rather than a desktop application. A successful setup requires a cloud account, a Postgres database, and someone comfortable with managing infrastructure. The ideal fit is a startup or mid-sized company with roughly 10 to 500 employees and at least one platform engineer, while larger enterprises can run it after reviewing their security posture.</p><p>Deploying QM does not require cloning the entire repository. Instead, an organization-owned deployment repository depends on @yc-software/qm and runs qm init with an organizational slug alongside a Fly.io or AWS target. This initialization process creates a deployment skill that guides the administrator through infrastructure setup, web sign-in, connectors, optional Slack access, and live verification. Sign-in defaults to a built-in broker that emails a one-time link, though an external identity provider can be integrated. Every deployment operates strictly within the operator's own cloud account.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/y_combinator_qm_multiplayer_ai_agent_mse7a48l_inline_1_06096acd23.jpg" alt="software development architecture diagram" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Most conventional AI agents are built as personal assistants, but the YC team notes that scaling a single assistant across an entire enterprise quickly introduces complexity. QM addresses this by assigning each employee an isolated workspace that others cannot interfere with, while allowing seamless collaboration within channels, group messages, and projects. Every individual and room maintains its own scoped memory, files, keychain view, permissions, cron jobs, web applications, and durable sandbox, with identical identity and configuration carrying over between Slack and the web application.</p><div class="ai-insight"><p>Y Combinator's release of QM highlights a major shift toward collaborative, multi-agent enterprise architectures where AI tools are deeply integrated into team workflows. By remaining harness-agnostic and giving organizations granular control over execution postures and data screening, QM bridges the gap between powerful developer tooling and strict corporate security requirements.</p></div><p>At its core architecture, every turn routes through a central headless core that handles APIs, identity, policies, and scheduling while driving the agent loop. A Postgres layer securely maintains user data, session history, and durable states. The agent relies on a fixed, lightweight tool surface, including an execute tool that runs commands inside the scope's dedicated isolated sandbox. Notably, QM is harness-agnostic, meaning Pi, OpenCode, Codex, and Claude Code can all drive the exact same core without tying a deployment to a single vendor.</p><p>QM also incorporates robust security postures that organizations can configure based on their risk tolerance. The Strict posture pauses for human approval on every harness tool call, while the default Auto posture screens external data and tool results using a classifier. The Dangerous posture removes content screening while retaining hard-coded command policies that block destructive actions such as recursive deletes and dangerous SQL queries. Comprehensive security limitations and threat models are documented within the official repository.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/03/y-combinator-open-sources-qm-multiplayer-ai-agent-harness/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_article-1449.jpg

small_article-1449.jpg

thumbnail_article-1449.jpg

article-1449.jpg

Y Combinator เปิดซอร์สโค้ด QM ระบบ AI Agent ทำงานร่วมกันได้หลายคน รองรับทั้ง Slack และเว็บ พร้อมสิทธิ์การใช้งานแบบ MIT

Y Combinator has released QM under an MIT license, providing an enterprise-grade multiplayer AI agent harness that runs in Slack and the web.

Y Combinator เปิดตัว QM ซอฟต์แวร์ Multiplayer AI Agent ระดับองค์กร

Y Combinator Open-Sources QM: A Multiplayer AI Agent Harness

<div class="key-takeaways"><ul><li>AI Agents ทำลายสมมติฐานเดิมของ AppSec เพราะพฤติกรรมไม่ได้มาจากโค้ดอย่างเดียว</li><li>ต้องค้นหาและควบคุม Shadow Agents, Unregistered MCP Servers และ Embedded AI Frameworks</li><li>การป้องกันขณะรันไทม์ต้องอาศัย Guardrails ทั้งขาเข้าและขาออกควบคู่กับการทำ AI Red Teaming</li><li>ประเมินระดับความพร้อมองค์กรได้ 4 ขั้นตั้งแต่ Emerging จนถึง Leading ตามมาตรฐานสากล</li></ul></div><p>แนวคิดความปลอดภัยของแอปพลิเคชันหรือ AppSec แบบดั้งเดิมถูกสร้างขึ้นบนสมมติฐานข้อเดียวว่า แอปพลิเคชันจะทำงานตามโค้ดที่เขียนไว้เท่านั้น แต่เทคโนโลยี Agentic AI กลับพังทลายสมมติฐานนั้นลงโดยสิ้นเชิง เนื่องจากพฤติกรรมของ AI เกิดจากการทำงานร่วมกันของโมเดล, System Prompt, บริบทที่ถูกเรียกค้น, ข้อมูลนำเข้าจากผู้ใช้งาน และเครื่องมือต่างๆ ที่มันสามารถเรียกใช้งานได้ ทำให้การใช้งานสองครั้งที่มีการตั้งค่าเหมือนกันทุกประการอาจแสดงพฤติกรรมที่แตกต่างกันอย่างสิ้นเชิง</p><p>รูปแบบความล้มเหลวก็เปลี่ยนไปด้วยเช่นกัน การโจมตีแบบ Prompt Injection จะเข้ามาผ่านทางชุดข้อมูลไม่ใช่ตัวโค้ด Agent ที่ได้รับสิทธิ์มากเกินไปอาจสร้างความเสียหายได้โดยไม่ต้องอาศัยช่องโหว่ใดๆ ถูกโจมตี โมเดลที่ตกรุ่นยังคงให้บริการทำนายผลต่อไปหลังจากผู้พัฒนาหยุดปล่อยแพตช์แก้ไขแล้ว หรือคำอธิบายเครื่องมือที่เป็นพิษบน MCP Server สามารถเบี่ยงiเบนพฤติกรรมของ AI ได้โดยไม่ต้องแตะต้องตัวแอปพลิเคชันเลย ซึ่งปัญหาเหล่านี้ไม่เคยปรากฏอยู่ในฐานข้อมูล CVE ภาระหน้าที่จึงต้องดำเนินไปพร้อมกันสองด้านคือ Shift Left และ Protect Right</p><p>องค์กรมักไม่ได้ต้อนรับ Agent ผ่านกระบวนการจัดซื้อจัดจ้างปกติ จึงต้องคอยตามล่า 3 หมวดหมู่สำคัญ ได้แก่ Shadow Agents, Unregistered MCP Servers และ Embedded AI Frameworks โดยทุก MCP Server จะต้องมีผู้รับผิดชอบ ขอบเขตการเข้าถึง และการตรวจสอบอย่างชัดเจน</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_agents_mcp_servers_llm_msdukixd_inline_1_cedcc16754.jpg" alt="cybersecurity dashboard code analytics" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>วิธีการค้นหาสามารถทำได้ 5 ช่องทาง ได้แก่ การสแกนคลังโค้ดเพื่อหาลายเซ็นของ Agent, การตรวจสอบทราฟฟิกขาออกไปยังปลายทาง Model API, การตรวจสอบบัญชี Service Accounts และ API Keys, การทำให้การลงทะเบียนเป็นเรื่องง่ายด้วยการลงทะเบียนที่มีน้ำหนักเบา และสุดท้ายคือการทำระบบอัตโนมัติอย่างต่อเนื่อง เนื่องจากข้อมูลการค้นหาแบบจุดเวลานั้นล้าสมัยอย่างรวดเร็ว</p><div class="ai-insight"><p>การรักษาความปลอดภัยให้ AI ในระบบโปรดักชันนั้นมีความซับซ้อนสูงมาก เนื่องจาก AI มีความยืดหยุ่นและตัดสินใจได้เองต่างจากซอฟต์แวร์ทั่วไป องค์กรจึงไม่สามารถพึ่งพาวิธีการสแกนหา Bug แบบเดิมๆ ได้อีกต่อไป แต่ต้องมองภาพรวมตั้งแต่ข้อมูลนำเข้า สิทธิ์การเข้าถึงเครื่องมือ ไปจนถึงสภาพแวดล้อมขณะรันไทม์ เพื่อป้องกันความเสียหายที่อาจเกิดขึ้นจากพฤติกรรมการหลอนหรือการถูกครอบงำด้วย Prompt Injection</p></div><p>มาตรการป้องกันขณะรันไทม์ประกอบด้วย Guardrails, การ hardening prompt, การบังคับใช้คลังนโยบาย และการเฝ้าระวัง ซึ่งทำงานเป็นวงจรร่วมกับการทำ AI Red Teaming โดยผลลัพธ์จากการจำลองการโจมตีจะช่วยปรับปรุง Guardrails ให้ดีขึ้น ขณะที่บันทึกของ Guardrails ก็จะช่วยชี้นำการทำ Red Teaming ในรอบถัดไป</p><p>การติดตั้ง Guardrails สามารถทำได้ 2 รูปแบบ คือผ่านทาง in-app Python SDK ที่รองรับทั้งโหมด Online และโหมด Offline แบบแยกส่วน หรือเลือกใช้เป็น Standalone API Server ผ่าน Docker ที่ไม่ต้องแก้ไขโค้ดหรือพึ่งพา Python dependencies โดยชุดตั้งต้นขั้นต่ำประกอบด้วย Guardrails ขขาเข้าเพื่อตรวจจับ Prompt Injection, คำขอที่ผิดนโยบาย และการแหกคุก (Jailbreak) รวมถึง Guardrails ขาออกเพื่อตรวจจับ Credentials, PII, โค้ดที่เป็นกรรมสิทธิ์, เนื้อหาที่ไม่ปลอดภัย และการละเมิดนโยบาย</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/03/how-to-secure-ai-agents-mcp-servers-and-llm-apps-in-production/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Agentic AI breaks traditional AppSec assumptions as behavior emerges from models, prompts, context, and tools.</li><li>Organizations must hunt for shadow agents, unregistered MCP servers, and embedded AI frameworks.</li><li>Runtime protection relies on inbound/outbound guardrails operating in a loop with AI red teaming.</li><li>Maturity is measured across four stages aligned with NIST, OWASP, ISO, and EU AI Act standards.</li></ul></div><p>Traditional application security was built on the single assumption that applications do exactly what their source code dictates. Agentic AI shatters this premise entirely. The behavior of an agent emerges dynamically from a foundational model, system prompts, retrieved contexts, user inputs, and external tools it is permitted to call. Consequently, two identical deployments can exhibit entirely different operational behaviors.</p><p>The failure modes encountered here are also fundamentally novel. Prompt injections arrive via data streams rather than application code. An over-permissioned agent can execute harmful actions without exploiting any underlying software vulnerability. Deprecated models continue serving predictions long after maintainers stop releasing security patches. Furthermore, a poisoned tool description hosted on an MCP server can stealthily redirect an agent's behavior without touching the host application at all. None of these critical issues show up in a standard CVE feed, meaning the operational mandate must be twofold: shift left and protect right.</p><p>Because AI workloads rarely enter organizations through formal procurement channels, security teams must hunt across three primary categories: shadow agents, unregistered MCP servers, and embedded AI frameworks. Every single MCP server requires a designated owner, a strictly defined access scope, and regular reviews.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_agents_mcp_servers_llm_msdukixd_inline_1_cedcc16754.jpg" alt="cybersecurity dashboard code analytics" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>There are five distinct discovery methods deployment teams should deploy. First, scan code repositories for agentic signatures. Second, monitor network egress traffic for outbound calls directed at model API endpoints. Third, audit all active service accounts and API keys. Fourth, streamline governance by making declaration cheap through lightweight registration tools. Finally, automate these processes continuously, because point-in-time discovery methods become stale rapidly.</p><div class="ai-insight"><p>Securing production AI requires a shift from static code analysis to behavioral governance. Because models interact dynamically with unstructured data and external tools, traditional vulnerability scanners fall short. Protecting these environments demands comprehensive visibility into data reach, tool permissions, and continuous runtime guardrails to prevent unintended autonomous actions.</p></div><p>Runtime protection strategies involve implementing guardrails, hardening prompts, enforcing strict policies, and maintaining rigorous monitoring. This operates as a continuous feedback loop alongside AI red teaming, where discoveries made by red teams directly improve guardrail rules, while logs generated by guardrails inform subsequent red team exercises.</p><p>Guardrails can be deployed in two primary ways: via an in-app Python SDK supporting online or isolated offline modes, or deployed as a standalone API server using Docker that requires zero code modifications or Python dependencies. A minimal viable setup includes inbound guardrails to catch prompt injections, out-of-policy requests, and jailbreaks, alongside outbound guardrails to intercept credentials, PII, proprietary source code, unsafe content, and policy violations.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/03/how-to-secure-ai-agents-mcp-servers-and-llm-apps-in-production/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_article-1429.jpg

small_article-1429.jpg

thumbnail_article-1429.jpg

article-1429.jpg

เจาะลึกแนวทางการรับมือความเสี่ยงรูปแบบใหม่ในยุค Agentic AI พร้อมกลยุทธ์ป้องกันตั้งแต่ต้นน้ำถึงปลายน้ำ

Exploring modern security frameworks to address unique failure modes in agentic AI deployments from development to runtime.

คู่มือความปลอดภัยสำหรับ AI Agents, MCP Servers และแอปพลิเคชัน LLM ในระบบจริง

How to Secure AI Agents, MCP Servers, and LLM Apps in Production

<div class="key-takeaways"><ul><li>กำหนดค่าและตั้งค่าสภาพแวดล้อม PerceptionBench สำหรับประเมินโมเดลวิสัยทัศน์</li><li>รองรับการทำงานทั้งแบบใช้ API แพลตฟอร์มภายนอกและโมเดลท้องถิ่น</li><li>มีกระบวนการประเมินผลอัตโนมัติและการวิเคราะห์เชิงสถิติครบถ้วน</li><li>สร้างรายงานเชิงลึกแยกตามความสามารถทางภาพและการจัดการความละเอียด</li></ul></div><p>การเตรียมความพร้อมระบบสำหรับการทดสอบความสามารถของโมเดลปัญญาประดิษฐ์เชิงวิสัยทัศน์ (Multimodal Vision Models) ถือเป็นหัวใจสำคัญในการตรวจสอบประสิทธิภาพอย่างแม่นยำ โดยในชุดเครื่องมือ PerceptionBench ได้มีการกำหนดค่าพารามิเตอร์หลักผ่านตัวแปร <code>CFG</code> เช่น การกำหนดที่เก็บชุดข้อมูล <code>moonshotai/PerceptionBench</code> การเลือกสปีลข้อมูลแบบ <code>train</code> การกำหนดจำนวนตัวอย่างต่อหมวดหมู่ที่ 12 ตัวอย่าง และการจำกัดการสแกนสูงสุดที่ 1,200 รายการ เพื่อให้การทดลองมีความสอดคล้องกันทุกครั้งที่รันบนสภาพแวดล้อมอย่าง Google Colab หรือเครื่องคอมพิวเตอร์ส่วนบุคคล</p><p>นอกจากการตั้งค่าโครงสร้างพื้นฐานแล้ว ระบบยังมีการติดตั้งไลบรารีที่จำเป็นโดยอัตโนมัติผ่านแพ็กเกจจัดการ <code>pip</code> ซึ่งประกอบไปด้วยเครื่องมือสำหรับการจัดการชุดข้อมูล วิเคราะห์ตัวเลข การสร้างภาพกราฟิก การสื่อสารผ่าน HTTP และการประมวลผลภาพถ่าย พร้อมทั้งตั้งค่าห้องปฏิบัติการแสดงผลของ Matplotlib ให้มีความละเอียดเหมาะสมและลบเส้นขอบที่ไม่จำเป็นออก เพื่อให้พร้อมสำหรับการสร้างรายงานผลลัพธ์ในขั้นตอนต่อไป</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/moonshot_perceptionbench_msdujj9u_inline_1_b156e0bd6d.jpg" alt="multimodal vision model architecture diagram" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="ai-insight"><p>การประเมินโมเดล Multimodal ในปัจจุบันมีความซับซ้อนสูง เนื่องจากต้องทำความเข้าใจทั้งข้อมูลภาษาและรูปภาพไปพร้อมกัน การใช้เฟรมเวิร์กที่มีระบบตั้งค่าตัวแปร (Configuration) ชัดเจนแบบ PerceptionBench ช่วยให้นักพัฒนาสามารถควบคุมตัวแปรควบคุม (Controlled Variables) ในการทดลองได้ดีขึ้น ทำให้ผลลัพธ์การเปรียบเทียบระหว่างโมเดลมีความน่าเชื่อถือและสามารถทำซ้ำได้ (Reproducible) ซึ่งเป็นสิ่งสำคัญอย่างยิ่งในงานวิจัยด้านปัญญาประดิษฐ์</p></div><p>กระบวนการทำงานทั้งหมดถูกออกแบบมาให้มีความยืดหยุ่นสูง โดยผู้ใช้งานสามารถสลับโหมดการทำงานได้ตามความพร้อมของทรัพยากร ไม่ว่าจะเป็นการรันผ่านระบบ <code>blind-prior baseline</code> โดยไม่ต้องใช้คีย์ API หรือการเชื่อมต่อกับโมเดลวิสัยทัศน์ผ่าน API คลาวด์ และโมเดลท้องถิ่นอย่าง <code>HuggingFaceTB/SmolVLM2-2.2B-Instruct</code> ทำให้สามารถตรวจสอบประสิทธิภาพได้อย่างละเอียดในหลากหลายมิติ</p><p>รายงานและผลลัพธ์ที่ได้จากการประเมินนี้ไม่ได้จำกัดอยู่เพียงแค่คะแนนความแม่นยำโดยรวม (Overall Accuracy Score) เท่านั้น แต่ยังเจาะลึกถึงประสิทธิภาพของโมเดลในแต่ละความสามารถทางภาพ การประมวลผลคำถามที่มีหลายรูปภาพ ระดับความละเอียดของภาพ และรูปแบบของคำตอบ ซึ่งเปิดโอกาสให้นักพัฒนานำไปต่อยอดในการทดลองปรับปรุงรูปแบบคำสั่ง (Prompt Variations) หรือกลยุทธ์การตัดต่อภาพ (Cropping Strategies) ต่อไปได้</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/03/evaluating-multimodal-vision-models-with-moonshot-perceptionbench-using-robust-data-loading-and-automated-judging/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Configuring the PerceptionBench environment for vision model testing.</li><li>Supporting both API-hosted models and local vision-language backends.</li><li>Providing automated judging and comprehensive statistical analysis.</li><li>Generating granular performance reports across visual capabilities and resolutions.</li></ul></div><p>Setting up a reliable testing environment is crucial for accurately assessing the performance of multimodal artificial intelligence models. The PerceptionBench configuration utilizes a dictionary of parameters, designated as <code>CFG</code>, which establishes settings such as the dataset repository <code>moonshotai/PerceptionBench</code>, the <code>train</code> split, 12 samples per category, and a maximum scan limit of 1,200 items. These predefined settings ensure consistent and reproducible behavior whether executing workflows within Google Colab or a local machine setup.</p><p>In addition to foundational infrastructure setup, the workflow automates the installation of required Python libraries through package management tools. This includes dependencies for dataset handling, numerical analysis, data visualization, HTTP communication, and image processing. Matplotlib settings are also fine-tuned to maintain clean visual outputs and ensure consistent report generation throughout the entire evaluation pipeline.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/moonshot_perceptionbench_msdujj9u_inline_1_b156e0bd6d.jpg" alt="multimodal vision model architecture diagram" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="ai-insight"><p>Evaluating modern multimodal models is inherently complex as systems must simultaneously reason across textual and visual modalities. Utilizing structured configuration frameworks like PerceptionBench allows researchers to maintain strict control over experimental variables. This standardization ensures that comparative benchmarks between different vision architectures remain both reliable and fully reproducible, which is vital for empirical AI research.</p></div><p>The operational framework is structured to offer maximum flexibility, allowing users to adapt according to available computational resources. Operators can run pipelines without requiring an API key or a dedicated GPU by utilizing the blind-prior baseline, or seamlessly switch to cloud-hosted APIs and local vision-language models such as <code>HuggingFaceTB/SmolVLM2-2.2B-Instruct</code> depending on backend configurations.</p><p>Ultimately, the resulting evaluation reports move far beyond a single overarching accuracy score. They allow engineers and researchers to inspect individual model performance across granular visual capabilities, multi-image queries, varying image resolutions, and specific answer formats, laying a solid foundation for advanced prompt engineering and optimization experiments.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/03/evaluating-multimodal-vision-models-with-moonshot-perceptionbench-using-robust-data-loading-and-automated-judging/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_moonshot-perceptionbench-msdujj9u.png

small_moonshot-perceptionbench-msdujj9u.png

thumbnail_moonshot-perceptionbench-msdujj9u.png

moonshot-perceptionbench-msdujj9u.png

แนวทางการตั้งค่าและประเมินผลโมเดล Multimodal ผ่าน Moonshot PerceptionBench พร้อมระบบโหลดข้อมูลและประเมินผลอัตโนมัติ

A robust configuration and automated evaluation framework for testing multimodal vision models using Moonshot PerceptionBench.

การประเมินโมเดลวิสัยทัศน์หลายรูปแบบด้วย Moonshot PerceptionBench

Inewgen

Inewgen

AI

Cursor Open-Sources Mixture-of-Kittens (MoK) Megakernel for GB300 NVL72 Racks

Inewgen

Pixel-Native RAG: A Practical Guide to Visual Document Indexing

Inewgen

Building an Advanced AI Skill Security Pipeline with NVIDIA SkillSpector

Inewgen

Reflex Opens Sources XY: A Rust-Backed Super-Fast Python Charting Library

Inewgen

Genspark Open Sources GenOffice: A Free, Ad-Free AI Office Suite for macOS and Windows

Inewgen

Y Combinator Open-Sources QM: A Multiplayer AI Agent Harness

Inewgen

How to Secure AI Agents, MCP Servers, and LLM Apps in Production

Inewgen

Evaluating Multimodal Vision Models with Moonshot PerceptionBench

Inewgen

Popular Category