PyTorch反向传播漏洞展示恶意代码藏匿风险

研究者 Elon Litman 展示了一种利用 PyTorch 自动微分与 IEEE 754 浮点运算判断不一致的攻击：数学上恒为零的 loss 项可在反向传播中执行图灵完备程序，同时让 loss.item() 持续记录 0.0，使训练曲线保持正常。 该方法可让恶意逻辑藏入 loss 函数，绕过模型文件哈希校验和常规代码审查，并在梯度下降或权重中执行元胞自动机等载荷。研究者的示例涉及安装声称能加速 8-bit 量化微调的 UltraLoss 正则化包，但相关影响是研究展示，不代表 PyTorch 官方已确认漏洞或已发布修复。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。