توسعه‌دهندگان هوش مصنوعی ممکن است با فعال‌سازی تنظیمات امنیتی، تصور کنند در برابر حملات محافظت شده‌اند، اما یک آسیب‌پذیری با شدت بالا (High-severity) در بارگذار مدل (Model Loader) کتابخانه Unsloth، این تصور را باطل کرده است. این نقص امنیتی به مهاجمان اجازه می‌دهد تا با ارسال یک پیکربندی مخرب برای مدل، کدهای دلخواه پایتون (Arbitrary Python Code Execution) را اجرا کنند.
جزئیات فنی و CVE-2026-93348
این آسیب‌پذیری که با شناسه CVE-2026-93348 ردیابی می‌شود، دارای امتیاز CVSS 8.6 است. نکته بسیار مهم این است که تنظیم امنیتی trust_remote_code=False نیز نمی‌تواند از این حمله جلوگیری کند؛ زیرا مسیر کد آسیب‌پذیر به مکانیسم remote-code در Hugging Face وابسته نیست.
ریشه مشکل در نحوه شناسایی معماری مدل توسط Unsloth نهفته است. این کتابخانه مقدار model-type را از پیکربندی مدل دریافت کرده و از آن برای ساخت یک دستور import در پایتون استفاده می‌کند. به دلیل عدم اعتبارسنجی (Validation) کافی این مقدار، یک مهاجم می‌تواند دستورات پایتون اضافی را به داخل این دستور تزریق کرده و از طریق تابع exec() آن‌ها را اجرا کند.
پیامدهای امنیتی و دامنه آسیب‌پذیری
تأثیر این حمله فراتر از فرآیند بارگذاری مدل است. طبق گزارش Pillar Security، کدهای تزریق شده با همان سطح دسترسی (Permissions) فرآیند بارگذاری اجرا می‌شوند. این امر می‌تواند منجر به موارد زیر شود:
- افشای مجموعه‌داده‌های اختصاصی (Proprietary Datasets)
- سرقت آرتیفکت‌های مدل (Model Artifacts)
- دسترسی به توکن‌های Hugging Face و اعتبارنامه‌های ابری (Cloud Credentials)
همچنین مشخص شده است که این اجرای کد می‌تواند حتی پیش از بارگذاری وزن‌های مدل یا توکنایزرها (Tokenizers) رخ دهد.
نسخه‌های آسیب‌پذیر و راهکار اصلاحی
نسخه‌های زیر تحت تأثیر قرار گرفته‌اند:
- Unsloth Zoo: نسخه‌های 2025.9.9 تا قبل از 2026.8.14
- Unsloth: نسخه‌های 2025.9.9 تا قبل از 2026.8.20
برای رفع این مشکل، تیم‌های امنیتی باید بلافاصله وابستگی‌های خود را در محیط‌های AI Notebook، کارگرهای آموزش (Training Workers) و ایمیج‌های کانتینر (Container Images) بررسی کرده و نسخه‌های Unsloth Zoo را به 2026.8.14 یا بالاتر، و Unsloth را به 2026.8.20 یا بالاتر به‌روزرسانی کنند.
