cập nhật 4 phút trước

⏱ Độ trễ thật của tab này: trung bình 6.8 giờ sau khi CVE được công bố (n = 5421, sớm nhất 0.1 giờ). Số âm nghĩa là ta thấy trước ngày công bố.

40
CVE-2026-130839 — ModelScope 1.11.0 to before 1.40.1 Unsafe Reflection RCE via syncdreamer.yaml
💥 Lỗ hổng / Exploit CVE Program (cvelistV5) 4 giờ trước cũng có trên: CIRCL Vulnerability-Lookup (sightings)
🛡️ CVE-2026-130839 CVSS 8.5 · Cao
CVSS8.5
CWECWE-470
🎯 ModelScope — phiên bản bị ảnh hưởng: 1.11.0
⚡ sớm 0h trước khi công bố Hồ sơ đầy đủ → NVD CVE.org tìm PoC

Lỗ hổng reflection không an toàn trong pipeline SyncDreamer của ModelScope cho phép attacker thực thi mã từ xa qua file yaml. Đây là một RCE nguy hiểm trên nền tảng AI, cần cập nhật ngay.

🅰 hạng A
🟠 Mức độ: CAO — CVSS 8.5 · RCE
Dùng để khai thác: chạy mã tuỳ ý trên máy chủ — thường là chiếm quyền cao nhất, không cần người dùng bấm gì
Hậu quả: chiếm toàn bộ máy chủ
🎯 Kẻ tấn công làm gì (từng bước)
  1. Tìm đúng đường dẫn/API có xử lý dữ liệu người dùng gửi lên
  2. Gửi payload đã chế để máy chủ thực thi lệnh/mã
  3. Dùng quyền của tiến trình web để đọc file, cài backdoor, mở kênh ra ngoài
🔍 Dấu hiệu bị tấn công (để kiểm tra log)
  • Tiến trình web (php-fpm/nginx/java) sinh tiến trình con bất thường: sh, bash, curl, wget
  • Kết nối ra ngoài từ máy chủ tới IP lạ đúng lúc có request lạ
  • File mới xuất hiện trong thư mục tải lên/tạm
🛡 Phòng ngay (làm được hôm nay)
  • Vá ngay bản có lỗi (ưu tiên số 1)
  • Chặn tạm đường dẫn/API bị lỗi ở WAF/reverse proxy nếu chưa vá được
  • Chạy tiến trình web bằng user quyền thấp, tắt các hàm shell (disable_functions) nếu dùng PHP
  • Bật giám sát tiến trình con của web server để phát hiện lệnh lạ
→ Theo dõi và vá theo lịch; chưa thấy dấu hiệu bị khai thác.
28
Experience-Handoff Reinforcement Learning for Recursive Self-Improvement
📄 Paper HF Daily Papers 6 ngày trước

It is common to train Large Language Models (LLMs) for agentic tasks with Reinforcement Learning (RL) from scalar rewards. However, this throws away the fine-grained information about the environment that the agent experienced during the trial (e.g., error logs). To utilize this …

🅲 hạng C
26
When Expert Disagreement Hurts: Prestige and Selectivity in LLM Decision Revision
📄 Paper HF Daily Papers 6 ngày trước

When language models revise a decision after another agent disagrees, neither reversal counts nor final accuracy shows whether they are fixing mistakes or abandoning correct answers. We introduce a controlled two-pass audit that holds the question, the evidence, and the model's i…

🅲 hạng C
23
Agent-Guided Process Verification for Mathematical Self-Correction
📄 Paper arXiv cs.AI 19 giờ trước

arXiv:2611.19122v1 Announce Type: new Abstract: Large language models have made substantial progress in mathematical reasoning, yet in complex multi-step reasoning, an error at any step may propagate along an incorrect path, and the resulting solution may omit necessary branches…

🅲 hạng C