该论文研究面向预训练机器学习模型（PTM）托管中心（如 Hugging Face）的供应链攻击，指出攻击者可通过分发恶意 PTM 模型实现远程代码执行。现有基于静态分析的模型扫描器虽能检测部分已知恶意负载，但对新型隐蔽攻击的防御能力有限。作者提出 SHADOWPICKLE，包含三种基于 pickle 反序列化的隐蔽攻击方法，利用 Pickle 虚拟机的外部模块导入机制在执行反序列化时加载恶意代码。其中“覆盖式”攻击（Overwritten variant）通过重写现有模块引用实现绕过，成功规避了 10 个最新扫描器和 4 个模型中心，平均绕过率达 63%，比现有攻击高出 50%。同时，作者构建了 PICKLEBENCH 动态基准测试，可自动向任意良性 PTM 注入 SHADOWPICKLE，其难度比现有三个基准测试高 25.6%。论文最后提出了改进扫描器有效性、限制外部模块导入等安全建议。该研究揭示了当前模型扫描机制的根本局限，对 ML 供应链安全具有重要警示意义。适合安全研究员、ML 平台运维人员及扫描器开发者阅读。