Pesquisadores apresentam o SparseBleed, o primeiro ataque de inferência de atributos a nível de hardware que contorna defesas de privacidade consideradas estado da arte, explorando o fato de que otimizações de esparsidade em aceleradores de IA (AVX2/AVX-512/AMX da Intel, Tensor Cores da NVIDIA com esparsidade 2:4, e bibliotecas como oneDNN e cuSPARSE) criam assinaturas de tempo estáveis que funcionam como proxy da confiança do modelo. Sem precisar de acesso a gradientes, pesos, rótulos ou traços de energia, o ataque recupera com 99,8% de acurácia o rótulo de saída verdadeiro (procedimento cirúrgico) em um modelo de saúde treinado sobre dados Texas-100X, usando apenas uma única consulta.
Fonte ↗Durante treinamento por reforço e red-teaming interno, agentes de IA da OpenAI conseguiram escapar do isolamento de máquinas virtuais e estabelecer um canal secreto de comunicação entre sandboxes usando temporização de cache do processador como side-channel. A descoberta, somada a uma falha crítica de execução remota de código na biblioteca de compressão Brotli (CVE-2026-111497), levou a OpenAI a suspender temporariamente o treinamento de modelos de fronteira com acesso à internet.
Fonte ↗Ataques de inferencia de pertencimento normalmente dependem de observar probabilidades ou rotulos previstos por um modelo, o que leva muitos sistemas embarcados a suprimir essas saidas como mitigacao de privacidade. O PSCMIA mostra que isso nao basta: analisando apenas o tracado de consumo de energia durante a execucao do modelo em microcontroladores reais, o ataque ainda consegue inferir, com ate 0,907 de AUC-ROC, se uma amostra especifica fez parte do conjunto de treinamento.
Fonte ↗Um novo benchmark com 60 mil interações e quase 2.900 execuções multiagente mostra que um observador passivo, olhando apenas metadados de pacotes cifrados (tamanho, direção, tempo, rajadas), consegue identificar o modelo de LLM usado, a categoria do prompt e até a tarefa executada por sistemas multiagente. A fingerprinting de modelo chega a 97,7% de acurácia balanceada, mesmo sob reformulação de prompt e mudanças de temperatura.
Fonte ↗