悟空Agent实战：LLaMA-Factory高危0day漏洞挖掘与修复

推荐语

腾讯悟空团队揭秘AI Agent如何精准挖掘LLaMA-Factory高危漏洞，展现自动化安全审计新突破。

核心内容：
1. LLaMA-Factory框架简介及其安全风险发现
2. 悟空AI Agent多智能体协作挖掘漏洞的实战过程
3. 漏洞修复方案与官方响应细节

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

在前文Agent“生产线”曝光！》" data-itemshowtype="0" linktype="text" data-linktype="2">《0day漏洞量产？AI Agent“生产线”曝光！》中，我们揭示了悟空AI Agent的架构与自动化漏洞挖掘能力。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。