Zaloguj się
Deutsch English Español Polski
Krytyczna

CVE-2025-24357 Malicious model remote code execution fix bypass with PyTorch < 2.6.0

  • Ujawniono: 23.04.2025
  • Aktualizacja: 11.10.2026 14:19

Description

https://github.com/vllm-project/vllm/security/advisories/GHSA-rh4j-5rhw-hr54 reported a vulnerability where loading a malicious model could result in code execution on the vllm host. The fix applied to specify weights_only=True to calls to torch.load() did not solve the problem prior to PyTorch 2.6.0.

PyTorch has issued a new CVE about this problem: https://github.com/advisories/GHSA-53q9-r3pm-6pq6

This means that versions of vLLM using PyTorch before 2.6.0 are vulnerable to this problem.

Background Knowledge

When users install VLLM according to the official manual image

But the version of PyTorch is specified in the requirements. txt file image

So by default when the user install VLLM, it will install the PyTorch with version 2.5.1 image

In CVE-2025-24357, weights_only=True was used for patching, but we know this is not secure. Because we found that using Weights_only=True in pyTorch before 2.5.1 was unsafe

Here, we use this interface to prove that it is not safe. image

Fix

update PyTorch version to 2.6.0

Credit

This vulnerability was found By Ji'an Zhou and Li'shuo Song

Czego dotyczy

Kliknij technologię, aby zobaczyć wszystkie dotyczące jej podatności.

PlatformaPaczkaPodatne wersjePoprawka w wersji
Python (PyPI) vllm < 0.8.0 0.8.0

Odnośniki

Ocena CVSS 9.8/10
Wektor CVSS
CVSS:3.1/AV:N/AC:L/PR:N/UI:N/S:U/C:H/I:H/A:H
Słabość (CWE)
CWE-1395
Platforma
Python (PyPI)
Paczka
vllm
Ujawniono
23.04.2025
Aktualizacja
11.10.2026 14:19

Źródła i licencje

OSV / GitHub Advisory Database - GHSA-ggpf-24jw-3fcw - CC BY 4.0

Historia podatności: vllm

Wszystkie opisane podatności tej paczki (Python (PyPI)), od najnowszej. Widać, czy to jednorazowa wpadka, czy paczka, której trzeba pilnować.

Wszystkie (94) w archiwum
Wszystkich wpisów
94
Pierwsza → ostatnia
09.2024 10.2026
Bez poprawki
5
Wykorzystywana w atakach
0

Rozkład istotności

  • Krytyczna 9
  • Wysoka 23
  • Średnia 47
  • Niska 4
  • Nieoceniona 11

Ujawnienia w latach

Istotność:
  1. A flaw has been found in vllm-project vLLM up to 0.26.0. This vulnerability affects unknown code of the file rust/src/parser/src/unified/gemma4.rs of the component Gemma4UnifiedParser. Executing a man
    Wysoka · 7.5 CVE-2026-103241 < 0.27.0 0.27.0
  2. vLLM versions 0.22.0 through 0.23.0 fail to validate stop_token_ids against vocabulary bounds in Rust HTTP and gRPC frontends, allowing out-of-vocabulary token IDs to reach MinTokensLogitsProcessor. A
    Wysoka · 7.5 CVE-2026-100652 >= 0.22.0, < 0.24.0 0.24.0
  3. vLLM has Remote DoS via Invalid Recovered Token Reinjection
    Wysoka · 7.5 CVE-2026-54234 >= 0.17.1, < 0.24.0 0.24.0
  4. vLLM: ReDoS via structured_outputs.regex compiled without timeout in xgrammar and outlines backends
    Wysoka · 7.5 CVE-2026-55574 < 0.24.0 0.24.0
  5. vLLM denial of service via prompt embeds on M-RoPE models
    Wysoka CVE-2026-55514 >= 0.12.0, < 0.24.0 0.24.0
  6. vLLM is an inference and serving engine for large language models (LLMs). Prior to 0.22.1, the vLLM Dockerfile is vulnerable to a dependency confusion attack through the flashinfer-jit-cache package.
    Wysoka · 8.8 CVE-2026-54232 < 0.22.1 0.22.1
  7. vLLM: OpenAI auth bypass
    Krytyczna · 9.1 CVE-2026-48746 >= 0.3.0, < 0.22.0 0.22.0
  8. vLLM: Security Check Bypass via assert Statement in Activation Function Loading Allows Arbitrary Code Execution
    Wysoka · 7.5 CVE-2026-41523 < 0.22.0 0.22.0
  9. vLLM versions 0.8.0 and later are vulnerable to an Out-of-Memory (OOM) Denial of Service (DoS) attack due to unbounded frame count processing in the `VideoMediaIO.load_base64()` method. When processin
    Wysoka · 7.5 CVE-2026-5497 >= 0.8.0, < 0.19.0 0.19.0
  10. vLLM has Hardcoded Trust Override in Model Files Enables RCE Despite Explicit User Opt-Out
    Wysoka · 8.8 CVE-2026-27893 >= 0.10.1, < 0.18.0 0.18.0
  11. vLLM has RCE In Video Processing
    Krytyczna · 9.8 CVE-2026-22778 >= 0.8.3, < 0.14.1 0.14.1
  12. vLLM vulnerable to Server-Side Request Forgery (SSRF) through MediaConnector
    Wysoka · 7.1 CVE-2026-24779 < 0.14.1 0.14.1
  13. vLLM affected by RCE via auto_map dynamic module loading during model initialization
    Wysoka · 8.8 CVE-2026-22807 >= 0.10.1, < 0.14.0 0.14.0
  14. vLLM introduced enhanced protection for CVE-2025-62164
    Wysoka · 8.8 CVE-2026-56340 >= 0.10.2, < 0.13.0 0.13.0
  15. vLLM vulnerable to remote code execution via transformers_utils/get_config
    Wysoka · 7.1 CVE-2025-66448 < 0.11.1 0.11.1
  16. vLLM vulnerable to DoS with incorrect shape of multimodal embedding inputs
    Wysoka · 6.5 CVE-2025-62372 >= 0.5.5, < 0.11.1 0.11.1
  17. vLLM deserialization vulnerability leading to DoS and potential RCE
    Wysoka · 8.8 CVE-2025-62164 >= 0.10.2, < 0.11.1 0.11.1
  18. vLLM is vulnerable to Server-Side Request Forgery (SSRF) through `MediaConnector` class
    Wysoka · 7.1 CVE-2025-6242 >= 0.5.0, < 0.11.0 0.11.0
  19. vLLM is vulnerable to timing attack at bearer auth
    Wysoka · 7.5 CVE-2025-59425 < 0.11.0 0.11.0
  20. vLLM has remote code execution vulnerability in the tool call parser for Qwen3-Coder
    Wysoka · 8.8 CVE-2025-9141 >= 0.10.0, < 0.10.1.1 0.10.1.1
  21. vllm API endpoints vulnerable to Denial of Service Attacks
    Wysoka · 7.5 CVE-2025-48956 >= 0.1.0, < 0.10.1.1 0.10.1.1
  22. vLLM Allows Remote Code Execution via PyNcclPipe Communication Service
    Krytyczna · 9.8 CVE-2025-47277 >= 0.6.5, < 0.8.5 0.8.5
  23. Remote Code Execution Vulnerability in vLLM Multi-Node Cluster Configuration
    Wysoka · 8.0 CVE-2025-30165 >= 0.5.2, < 0.10.0 0.10.0
  24. vLLM Vulnerable to Remote Code Execution via Mooncake Integration
    Krytyczna · 10.0 CVE-2025-32444 >= 0.6.5, < 0.8.5 0.8.5
  25. Data exposure via ZeroMQ on multi-node vLLM deployment
    Wysoka · 7.5 CVE-2025-30202 >= 0.5.2, < 0.8.5 0.8.5
  26. CVE-2025-24357 Malicious model remote code execution fix bypass with PyTorch < 2.6.0 ten wpis
    Krytyczna · 9.8 ghsa-ggpf-24jw-3fcw < 0.8.0 0.8.0
  27. vLLM deserialization vulnerability in vllm.distributed.GroupCoordinator.recv_object
    Krytyczna · 9.8 CVE-2024-9052 <= 0.8.1 brak poprawki
  28. vLLM Deserialization of Untrusted Data vulnerability
    Krytyczna · 9.8 CVE-2024-11041 <= 0.6.2 brak poprawki
  29. vLLM allows Remote Code Execution by Pickle Deserialization via AsyncEngineRPCServer() RPC server entrypoints
    Krytyczna · 9.8 CVE-2024-9053 <= 0.6.0 brak poprawki
  30. vLLM Allows Remote Code Execution via Mooncake Integration
    Krytyczna · 9.0 CVE-2025-29783 >= 0.6.5, < 0.8.0 0.8.0
  31. vllm: Malicious model to RCE by torch.load in hf_model_weights_iterator
    Wysoka · 7.5 CVE-2025-24357 < 0.7.0 0.7.0
  32. vLLM denial of service vulnerability
    Wysoka · 7.5 CVE-2024-8768 < 0.5.5 0.5.5

Dowiedz się, które podatności dotyczą Twojej aplikacji

Po podłączeniu integracji DockRay i włączeniu raportowania oprogramowania DockRay porównuje zgłoszone wersje komponentów ze znanymi podatnościami i powiadamia o potwierdzonych dopasowaniach. Zakres zależy od obsługiwanej technologii i dostępnych biuletynów.

Podłącz swoją aplikację
Newsletter DockRay

Bezpieczeństwo aplikacji w Twojej skrzynce

Najważniejsze podatności, konkretne zalecenia i praktyczne wskazówki dla Twoich aplikacji. Wybierz technologie i śledź to, co ma znaczenie dla Twojego projektu.

  • Codzienne zestawienie nowych podatności, także krytycznych.
  • Powiadomienia o ważnych aktualizacjach.
  • Praktyczne porady o bezpieczeństwie i monitoringu aplikacji.

Pozostaw puste, aby otrzymywać informacje o wszystkich technologiach.

Polityka prywatności

Zapis jest bezpłatny. Wypiszesz się jednym kliknięciem w wiadomości.