这种新型攻击手段被命名为nullifAI，何绕使恶意模型难以被识别。过安后续研究表明，全网这些pickle文件的型藏独特之处在于，在文件头部竟然隐藏着恶意的恶意无码Python代码。导致无法正确反编译对象。损坏这些模型采用了一种前所未有的文件技术——通过“破坏”pickle文件，这两个PyTorch存档中的何绕pickle文件，
网络安全领域近期迎来了一起引人瞩目的过安发现：在知名机器学习平台HuggingFace上，
全网据网络安全研究员Karlo Zanki透露，型藏巧妙地规避了安全系统的检测。涉及的两个模型存储库分别为glockr1/ballr7和who-r-u0000/一串长数字组成的名称，
pickle序列化格式在机器学习模型的分发过程中极为常见，而非实际应用于供应链攻击。但其安全性一直备受质疑。其核心在于绕过现有的安全防护，
Zanki进一步分析指出，然而，两个看似普通的机器学习模型实则暗藏玄机。旨在连接到预设的IP地址。该安全问题已经得到及时修复，但实质上是以7z压缩的pickle文件，增强了其检测能力。从而成功规避了Hugging Face平台上Picklescan工具的恶意检测。对象序列化在恶意载荷执行后会中断，
值得庆幸的是，这一发现再次提醒了机器学习社区，它们更像是对该技术的概念验证，进而执行其内置的恶意代码。由于pickle允许在加载和反序列化时执行任意代码，这些“损坏”的pickle文件仍能被部分反序列化，尽管存在反序列化错误，Picklescan工具也已更新版本，对于pickle文件的安全使用需保持高度警惕。