Agent实战：LLaMA-Factory高危0day漏洞挖掘与修复-CSDN博客

本文链接：https://blog.csdn.net/DEVELOPERAA/article/details/150059991

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。