Hugging Face meldet KI-gesteuerten Einbruch in Produktionssysteme

Hugging Face (Hugging Face ist eine führende Open-Source-Plattform für KI) hat in dieser Woche einen Einbruch in seine Produktionsinfrastruktur offengelegt. Der Vorfall ist bemerkenswert, weil laut Anbieter ein autonomes KI-Agentensystem den Angriff durchführte und die Abwehr ebenfalls mit KI-gestützter Forensik erfolgte.

Wie Cyber Security News am 18. Juli 2026 berichtete, nutzten die Angreifer zwei Schwachstellen in der Dataset-Verarbeitungspipeline von Hugging Face aus: einen Remote-Code-Dataset-Loader und eine Template-Injection in der Dataset-Konfiguration. Nach dem Eindringen in einen Processing-Worker verschaffte sich der Akteur Node-Zugriff, sammelte Cloud- und Cluster-Zugangsdaten und bewegte sich an einem einzigen Wochenende lateral über mehrere interne Cluster. Betroffen waren laut Bericht ein begrenzter Satz interner Datensätze und Service-Credentials.

17.000 Angreiferaktionen rekonstruiert

Hugging Face fand nach eigenen Angaben keine Hinweise auf Manipulationen an öffentlichen Modellen, Datasets, Spaces oder an der Software-Lieferkette. Auffällig war laut Bericht die Autonomie des Angriffs: Die Intrusion führte tausende Einzelaktionen über einen Schwarm kurzlebiger Sandboxes aus und nutzte selbstmigrierende Command-and-Control-Infrastruktur auf öffentlichen Diensten. Die interne Anomalieerkennung mit LLM-basierter Triage markierte den Vorfall zuerst, weil sie Signale zusammenführte, die im Tagesrauschen untergegangen wären.

Für die Rekonstruktion der Angriffskette setzte Hugging Face laut Bericht LLM-gesteuerte Analyse-Agenten auf den kompletten Logbestand an. So wurde eine Zeitleiste aus mehr als 17.000 aufgezeichneten Angreiferaktionen in Stunden statt Tagen verdichtet. Das ist auch für Unternehmen relevant, die KI-Dienste in Entwicklungs- und Datenpipelines einsetzen, weil der Vorfall gerade die Verarbeitung von Datasets und interne Zugangsdaten betraf.

Frontier-APIs verweigerten Forensik

Ein zentrales Ergebnis der Untersuchung war laut Bericht, dass kommerzielle Frontier-Model-APIs die forensische Analyse verweigerten. Ihre Safety-Guardrails hätten reale Exploit-Payloads und C2-Artefakte nicht von einem echten Angriff unterscheiden können. Hugging Face wechselte deshalb auf GLM-5.2 als Open-Weight-Modell in der eigenen Infrastruktur. Damit blieben laut Bericht auch Angreiferdaten und referenzierte Zugangsdaten in der eigenen Umgebung.

Token-Wechsel als Vorsichtsmaßnahme

Hugging Face rät Nutzern laut Bericht vorsorglich zur Rotation von Access Tokens und zur Prüfung jüngster Kontoaktivitäten. Als Vergleich nennt der Bericht zudem Sysdigs Fall JADEPUFFER sowie den Annual AI Security Report 2026 von Check Point, der eine Verkürzung der Zeit zwischen Schwachstellenveröffentlichung und Ausnutzung von Tagen auf Stunden beschreibt.