Hugging Face a confirmé avoir subi une cyberattaque pilotée par un agent IA autonome, et a dû activer GLM 5.2 de Z.ai pour mener l’analyse technique après que plusieurs modèles frontières commerciaux américains ont refusé d’aider à l’investigation. La plateforme de machine learning a détaillé l’incident dans une divulgation publiée le 20 juillet 2026.
Un attaquant autonome, des accès internes compromis
Selon Hugging Face, l’attaque a été menée par un agent IA autonome qui est parvenu à accéder à des jeux de données internes ainsi qu’à certains identifiants de services internes. L’entreprise affirme avoir depuis bloqué l’accès de l’attaquant et renforcé ses systèmes de défense. Aucune ampleur exacte des données exfiltrées n’a été communiquée, mais l’incident a nécessité une réponse rapide de l’équipe de sécurité.
Pourquoi les modèles commerciaux ont refusé d’aider
Le point le plus frappant de cette divulgation concerne les garde-fous des modèles frontières commerciaux sollicités en premier lieu. Face au volume de commandes de l’attaquant, d’exploits et d’artefacts de commande-et-contrôle (C2) à analyser, ces modèles ont bloqué une partie des requêtes de l’équipe de sécurité : leurs garde-fous ne parviennent pas à distinguer une demande de construction d’exploit formulée par un attaquant d’une demande de détection formulée par un défenseur qui analyse les mêmes artefacts après coup.
Le choix de GLM 5.2, un modèle ouvert de 753 milliards de paramètres
Pour contourner ce blocage, Hugging Face a basculé vers GLM 5.2, le modèle open-weight de Z.ai (environ 753 milliards de paramètres). Contrairement à un modèle tiers accessible uniquement par API, GLM 5.2 peut tourner entièrement sur une infrastructure locale ou cloud maîtrisée par l’entreprise, à l’intérieur de son propre périmètre de sécurité — aucune donnée sensible ne quitte donc l’environnement contrôlé pendant l’analyse.
La leçon retenue par les équipes de sécurité
Dans sa divulgation, Hugging Face résume la leçon pratique de l’incident : disposer d’un modèle capable, exécutable sur sa propre infrastructure, testé et prêt avant qu’un incident ne survienne — à la fois pour éviter d’être bloqué par des garde-fous au pire moment, et pour empêcher que les données de l’attaquant et les identifiants compromis ne sortent de l’environnement de l’entreprise.
Cet épisode relance le débat sur la place des modèles ouverts dans les équipes de sécurité défensive, à un moment où l’écart de performance entre modèles ouverts chinois et modèles fermés américains continue de se resserrer.
Pourquoi Hugging Face a-t-il utilisé un modèle chinois pour se défendre ?
Parce que les modèles frontières commerciaux américains ont bloqué une partie des requêtes de l’équipe de sécurité : leurs garde-fous ne distinguent pas une demande d’attaquant d’une demande de défenseur analysant les mêmes artefacts.
Qu’est-ce que GLM 5.2 ?
GLM 5.2 est un modèle de langage open-weight développé par Z.ai (ex-Zhipu), comptant environ 753 milliards de paramètres, qui peut être exécuté sur une infrastructure privée sans passer par une API tierce.
Quelles données ont été compromises lors de l’attaque ?
Un agent IA autonome a accédé à des jeux de données internes et à certains identifiants de services internes chez Hugging Face, qui affirme avoir depuis bloqué l’accès et renforcé ses défenses.