CVE-2026-73678-PoC

CVE-2026-73678 — تنفيذ تعليمات برمجية عن بُعد بدون مصادقة في MindsDB Minds Platform CVSS 10.0 CVSS 10.0 حرجة · CWE-94 / CWE-306 · GHSA-jcxw-h8ph-pxpv · VulnCheck ملخص تُعرّض Minds Platform الواجهة الخلفية مفتوحة المصدر لـ mindsdb/mindshub، وسابقًا mindsdb/minds-platform نقطة النهاية POST...

ai_bobao

aibobao AI-Powered Vulnerability Intelligence Feed Simp...

CC_Watermark

التزاوجات المثلى للعلامة المائية النصية الخالية من التشويه الكود الرسمي لـ التزاوجات المثلى للعلامة المائية النصية الخالية من التشويه الملخص أصبحت النماذج اللغوية الكبيرة LLMs قادرة الآن على إنتاج نص لا يمكن تمييزه عن المحتوى البشري. وقد حفّز هذا تطوير علامات مائية تطبع "إشارة" في النص المولّد...

cover

Cover Keep private data, internal infrastructure and secrets out of cloud coding agents without breaking your workflow. Install · Quick start · Policies · Monitoring · Pi / OMP · Security Cover is a bidirectional privacy proxy for AI coding agents. It replaces matched sensitive values locally wit...

llm-guard

!WARNING تمت أرشفة هذا المشروع. لم يعد هذا المشروع والنماذج المرتبطة به على Hugging Face قيد التطوير النشط أو الصيانة. LLM Guard - مجموعة الأدوات الأمنية لتفاعلات LLM LLM Guard من Protect AI هو أداة شاملة مصممة لتعزيز أمان نماذج اللغة الكبيرة LLMs. التوثيق | ملعب التجربة | سجل التغييرات ما هو LLM...

agentic-dm-gateway

Agentic DM Gateway Security control plane for LLM agents over private chat typically Discord DMs. It sits in front of your agent. It decides who may talk, whether the session is unlocked, whether the process is paused, and whether this message is safe enough to forward. Your model and tools stay...

redteam-ai-benchmark

रेड टीम AI बेंचमार्क रूसी संस्करण: README.ru.md रेड टीम AI बेंचमार्क एक CLI मॉडल-मूल्यांकन बेंचमार्क है। यह मापता है कि LLM रेड-टीम प्रश्नों और सुरक्षा परिदृश्यों को कैसे समझते हैं और उनका जवाब देते हैं; यह उन गतिविधियों को करने का उपकरण नहीं है। संस्करण 2 केवल एक स्वर्ण प्रतिक्रिया के विरुद्ध...

llm-prompt-injection-resources

llm-prompt-injection-resources مجموعة منسقة من الموارد لتعلّم وبحث هجمات حقن التعليمات في نماذج اللغات الكبيرة LLM prompt injection، والدفاعات، والأمن. تبرع ادعم صيانة هذا المشروع عبر PayPal أو بمسح رمز QR أدناه...

AgentDoxx: Agentic Re-Identification of Anonymized Text with Web Search

As Large Language Models LLMs gain tool use capabilities such as web search, they can retrieve and cross-reference public information, creating privacy risks beyond memorization. One manifestation is re-identification: linking an anonymized interview transcript to a named individual. Yet without...

AutoDP-LLM: Automating Data Pre-Processing for Intrusion Detection Systems Using Large Language Models

The increasing complexity and scale of modern cyber-attacks demand intelligent and computationally efficient Intrusion Detection Systems IDS. However, designing effective data pre-processing pipelines traditionally involves substantial trial-and-error effort and repeated evaluation of alternative...

VulValidate: Auditing Function-Level Vulnerability Labels with Executable Evidence

Reliable learning-based vulnerability detection requires high-quality labels, yet datasets built from vulnerability-fixing commits may label functions as vulnerable simply because they were changed by a security patch. We present VulValidate, a framework that uses LLM agents to coordinate dynamic...

ContractLens: Latent Security Knowledge for Malicious Smart Contract Detection

Detecting malicious smart contracts is essential to safeguarding the Web3.0 ecosystem. However, existing auditing methods based on large language models LLMs largely rely on prompt engineering or attack-specific fine-tuning, while the internal representations that support malicious logic detectio...

CVE-2026-33017

CVE-2026-33017 — تنفيذ الأوامر عن بُعد غير المصادق عليه في Langflow المؤلف: dynamo2k1 الشدة: حرجة CVSSv3: 9.8 AV:N/AC:L/PR:N/UI:N/S:U/C:H/I:H/A:H نظرة عامة CVE-2026-33017 هي ثغرة حرجة لتنفيذ الأوامر عن بُعد غير المصادق عليه في Langflow، وهي منصة مفتوحة المصدر لبناء تطبيقات LLM وسير عمل الذكاء...

bring-your-own-key-cve-2026-73678-unauthenticated-rce-in-mindsdb-cowork

CVE-2026-73678 — RCE sans authentification dans MindsDB Minds Platform / MindsHub Cowork PoC pour CVE-2026-73678 CVSS 3.1 10.0 Critique , AV:N/AC:L/PR:N/UI:N/S:C/C:H/I:H/A:H. Write-up complet : www.hunt-benito.com/blog/bring-your-own-key-cve-2026-73678-unauthenticated-rce-in-mindsdb-cowork/ Le...

zairo

قياس zairo تتحقق اختبارات الوحدة الخاصة بـ zairo من أنه يبني المطالبات الصحيحة ويتعامل مع الإجابات بشكل صحيح. لكنها لا تستطيع إخبارك ما إذا كان النموذج، عند إعطائه تلك المطالبات، يكتشف ثغرة أدخلها تغيير ما، أو يشير إلى ثغرة غير موجودة. هذا هو الغرض من هذا الدليل: مجموعة من التغييرات المُصنَّفة،...

DeepGuard

DeepGuard 📖 نظرة عامة على المشروع DeepGuard هي نهج مبتكر لتوليد الشيفرة الآمنة يعزز قدرة نماذج اللغة الكبيرة على توليد شيفرة آمنة من خلال تقنيات التجميع الدلالي متعدد الطبقات. تحدد هذه الطريقة بشكل فعال نقاط الضعف الأمنية في الشيفرة وتخفف منها، مما يوفر للمطورين حلول توليد شيفرة أكثر أمانًا. 🔑...

trustmebro

Bypass llm guardrails by confusing it with fabricated tool output. Results · Installation · Quick start · Rules · Architecture TrustMeBro intercepts command-line tools invoked by coding agents such as Codex, Claude Code, and pi. Rules decide whether to return fabricated output, modify the real...

pentestcode

PentestCode وكيل اختبار اختراق بالذكاء الاصطناعي في طرفيتك. بنية متعددة الوكلاء • تتبع حالة المهمة • أكثر من 20 مزود LLM PentestCode هو وكيل اختبار اختراق مستقل لطرفيتك. وجّهه نحو هدف فيقوم بتشغيل الأدوات، وقراءة المخرجات، وتحديث صورته عن الشبكة، وتحديد ما يجب فعله بعد ذلك — تمامًا كما يفعل المشغ...

COPEX: Benchmarking LLM Robustness to Adversarial Context across Model Context Protocol Layers

Large language models increasingly mediate tool use in Model Context Protocol MCP systems, where adversarial influence may enter through user instructions, tool schemas, tool outputs, or protocol messages. Existing benchmarks often evaluate deployed agents, conflating model susceptibility with...

The Same Zero: Why Identical ASR Can Imply Different Guarantees in LLM-Agent Security

LLM-agent security has produced a dense landscape of defenses - prompt hardening, content filters, permission gates, sandboxes - yet no framework tells a deployer what a defense actually guarantees, or where that guarantee comes from. We apply Verification Autonomy Levels VAL - L0: LLM...