两个版本的LiteLLM因遭受供应链攻击而被从Python包索引(PyPI)中移除。LiteLLM是一个开源接口,用于访问多个大语言模型。
具体来说,LiteLLM v1.82.7和v1.82.8版本已被下架,因为它们在组件文件litellm_init.pth中包含了恶意的凭证窃取代码。
维护LiteLLM的Berri AI公司首席执行官Krrish Dholakia在网上发帖称,此次攻击似乎源于该项目CI/CD流水线中使用的Trivy。
Trivy是由Aqua Security维护的开源漏洞扫描器,许多其他项目都将其作为安全措施。根据Aqua Security的说明,这一恶意软件活动始于2月下旬,攻击者利用Trivy GitHub Actions环境中的错误配置窃取了一个特权访问令牌,从而能够操控CI/CD流程。
软件在3月19日被篡改,当时被称为TeamPCP的攻击者使用被盗凭证发布了恶意Trivy版本(v0.69.4),3月22日又发布了恶意Trivy版本v0.69.5和v0.69.6作为DockerHub镜像。
但Aqua Security解释说,攻击者采用的方法比仅仅上传新的恶意Trivy版本更为复杂。
"通过修改与GitHub Action脚本trivy-action相关的现有版本标签,他们将恶意代码注入到组织已经运行的工作流中,"该公司表示。"由于许多CI/CD流水线依赖版本标签而不是固定提交,这些流水线继续执行,而没有任何迹象表明底层代码已经发生变化。"
Dholakia说,LiteLLM的PYPI_PUBLISH令牌作为.env变量存储在项目的GitHub仓库中,被发送到Trivy,攻击者获得了该令牌,然后用它推送新的LiteLLM代码。
"我们已经删除了所有PyPI发布令牌,"他说。"我们的账户启用了双因素认证,所以这是一个糟糕的令牌问题。我们正在审查我们的账户,看看如何让它更安全(通过JWT令牌进行可信发布,迁移到不同的PyPI账户等)。"
另一个令人意外的发展是,GitHub漏洞报告似乎遭到了垃圾信息攻击,旨在分散注意力并模糊有关报告的有用评论。在太平洋夏令时上午5:44,数十条推测是AI生成的"谢谢,这很有帮助!"的变体涌入了仓库。根据安全研究员Rami McCarthy的说法,用于发布的25个账户中有19个也被用于Trivy垃圾信息活动。
Python打包管理局(PyPA)已发布关于LiteLLM攻击的安全公告。
"任何安装并运行该项目的人都应该假设LiteLLM环境中可用的任何凭证可能已被泄露,并相应地撤销/轮换它们,"公告说。
Q&A
Q1:LiteLLM是什么?为什么会被攻击?
A:LiteLLM是一个开源接口,用于访问多个大语言模型。它遭受攻击是因为项目CI/CD流水线中使用的Trivy漏洞扫描器被恶意篡改,攻击者通过这个途径获取了项目的发布令牌。
Q2:这次供应链攻击是如何实施的?
A:攻击者首先利用Trivy GitHub Actions环境的错误配置窃取特权访问令牌,然后修改现有版本标签注入恶意代码。由于很多CI/CD流水线依赖版本标签而不是固定提交,恶意代码得以在不被察觉的情况下执行。
Q3:用户如果使用了受影响的LiteLLM版本应该怎么办?
A:根据Python打包管理局的安全公告,任何安装并运行LiteLLM v1.82.7和v1.82.8版本的用户都应该假设其环境中的凭证可能已被泄露,需要立即撤销和轮换所有相关凭证。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。