本文首次系统地分析了托管在主流预训练模型平台（如Hugging Face）上的AI应用（AI-Apps）的安全风险。AI-Apps通过在线推理和微调服务降低了AI采用门槛，但由于开发者不可信、隔离措施薄弱和安全配置错误，引入了新的攻击面。研究将AI-Apps生命周期映射到已知风险分类（如OWASP），识别出五大威胁类别和十个攻击向量，涵盖通用Web漏洞到高影响力的架构问题。关键发现包括访问控制失效、资源重用不安全、输入验证不足及敏感数据泄露。特别地，揭示了三种平台设计固有的新型架构漏洞，并展示了传统问题（如全局可读日志）在此生态中被独特放大。为了评估实际影响，团队开发了分析框架Insightor，并应用于超过97万个公开AI-Apps。结果显示，数千个应用泄露凭证，数百个存在输入注入漏洞可导致任意代码执行，数十个嵌入了后门，表明已在野利用。所有发现已负责任地披露给相关平台和开发者。