悟空Agent实战：LLaMA-Factory高危0day漏洞挖掘与修复

AI大模型-上马定江山

于 2025-07-02 11:34:33 发布

阅读量693

点赞数 8

CC 4.0 BY-SA版权

文章标签： llama 大模型入门大模型学习 AI大模型大模型 LLama-factory 大模型微调

本文链接：https://blog.youkuaiyun.com/Android23333/article/details/149066061

前言

本次，我们将以53K Star的开源明星项目LLaMA-Factory为战场，详细展示悟空AI Agent如何在实际场景中，精准挖掘高危远程代码执行0day漏洞（CVE-2025-53002），并推动官方修复的技术实战。

一、LLaMA-Factory简介

LLaMA-Factory是一个功能强大且用户友好的开源框架，在 GitHub 上斩获了超过 53K Stars，专注于大语言模型（LLM）的高效微调（Fine-tuning）。凭借其易用性和灵活性，LLaMA-Factory 已成为许多开发者和研究团队进行模型训练与部署的首选工具。

（图：LLaMA-Factory Github Index）

然而，面对这样的大型开源社区项目，当我们使用悟空AI Agent对其进行深度安全审计时，也能发现潜在的安全风险，成功识别了一个严重的远程代码执行漏洞：CVE-2025-53002（CVSS v3.1: 8.3）。

（图：LLaMA-Factory GithubStarHistory）

二、悟空AI Agent的实战效能

悟空AI Agent在此次漏洞挖掘中展示了其强大的自动化漏洞挖掘能力，特别是在多智能体协作架构（Multi-Agent）的支持下，突破了传统手段的限制。通过以下几个关键阶段，悟空AI Agent逐步发现了漏洞的核心：

● Audit Agent：首先，Audit Agent负责从Web UI输入追踪到后台的数据处理参数及接口，从入口出发追踪目标数据流，并自动决策对下层调用函数的展开分析，直至发现存在漏洞特征的危险函数调用（不安全的反序列化 API 调用）。

● Review Agent：随后，Review Agent对 Audit Agent所提取的漏洞相关代码信息进行进一步分析，通过多重校验与投票机制评估该漏洞触发的约束条件，确定其可利用性。

● Fix Agent：最终，Fix Agent基于CVEs数据库和内部知识库生成了漏洞修复建议，形成了具体的修复方案。

（图：悟空AI Agent 架构图）

悟空AI Agent在此过程中展现了卓越的程序分析与漏洞发现能力，能够穿透复杂逻辑链，精确定位到不安全的反序列化操作（torch.load）及其触发路径。悟空AI Agent不仅为传统的漏洞挖掘方法提供了补充，也为自动化安全审计提供了可行的解决方案。

三、官方响应与修复

在确认该漏洞有效后，我们立即通过GitHub Security Advisories渠道向LLaMA-Factory官方团队提交了详尽的技术报告（含PoC复现步骤，已同步报送CNVD等监管单位）。

官方响应：

LLaMA-Factory团队对此高度重视，迅速确认了漏洞的有效性和严重性。并颁发CVE漏洞编号。

（图：Github官方项目Security公告）

修复方案：

官方对src/llamafactory/model/model_utils/valuehead.py 的关键代码进行了加固：在torch.load()调用中显式添加了安全参数 weights_only=True，从根本上阻断了利用Pickle反序列化执行任意代码的可能性。

# src/llamafactory/model/model_utils/valuehead.py  

- state_dict = torch.load(vhead_file, map_location="cpu")  

+ state_dict = torch.load(vhead_file, map_location="cpu", weights_only=True)

▲ 关键补丁：启用PyTorch安全模式阻断反序列化攻击

四、技术分析

漏洞摘要

在 LLaMA Factory 的训练过程中，发现一处严重的远程命令执行（RCE）漏洞。该漏洞源于加载 vhead_file 时未采取充分的安全措施。恶意攻击者仅需通过 WebUI 界面传递一个恶意的 Checkpoint path 参数，即可在宿主系统上执行任意恶意代码。整个攻击过程具有隐蔽性，受害者难以察觉。漏洞的根本原因是加载 vhead_file 参数时，未设置安全参数 weights_only=True。

注意：在 torch 版本 < 2.6 中，torch.load() 的默认设置为 weights_only=False。而 LLaMA Factory 的 setup.py 仅要求 torch>=2.0.0，使得受影响版本默认处于不安全状态。

影响范围

该漏洞影响的范围包括所有使用LLaMA-Factory框架的版本（<=0.9.3）。受影响的产品涉及广泛的应用场景，包括大语言模型的训练与推理。

风险等级

CVSS 3.1评分为8.3（高危），表明该漏洞对安全性构成了极大的威胁。

CVE-2025-53002漏洞的存在使得攻击者能够通过精心构造的恶意文件，在LLaMA-Factory框架中实现远程代码执行，严重威胁使用该框架进行大语言模型训练和推理的组织。

成功利用此漏洞后，攻击者能够执行任意恶意代码，可能导致权限提升、信息泄露、数据篡改等一系列恶劣后果，甚至可能破坏整个AI基础设施的安全性。

漏洞触发流程

\1. 在 LLaMA Factory 的 WebUI 中，当用户设置 Checkpoint path 时，该值会修改传递给训练过程的 adapter_name_or_path 参数。

（图：相关代码位置：src/llamafactory/webui/runner.py）

\2. 训练过程中使用的 adapter_name_or_path 参数，在 src/llamafactory/model/model_utils/valuehead.py 文件中用于从 Hugging Face 获取对应的 value_head.bin 文件。

\3. 随后，该文件通过 torch.load() 加载，但未设置安全参数 weights_only=True，最终导致远程代码执行。

（图：相关代码位置：src/llamafactory/model/model_utils/valuehead.py）

结语

本次对LLaMA-Factory的实战审计，展示了悟空AI Agent在真实、复杂开源项目中发现高危漏洞的效率与能力。它不仅缩短了漏洞从潜伏到被发现的时间窗口，也通过标准化的报告流程加速了厂商响应与修复。未来，AI Agent将在网络安全领域扮演越来越核心的角色：

\1. 自动化深度审计：实现对大型项目、复杂代码的高效、深度、持续的全自动安全审查。

\2. 0day威胁预警：主动挖掘未知漏洞，从漏洞利用链上精准识别0day漏洞，提升整体防御前置性。

\3. 安全开发左移：集成至CI/CD流程，辅助开发者在早期规避安全缺陷，降低修复成本。

悟空AI Agent的探索将持续深化，致力于推动安全研究与实践迈入智能化新纪元。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。