Alerte générale ! La fuite du code source de Claude Code provoque des "dommages collatéraux" : Des pirates tendent un piège de phishing sur GitHub

marsbitPublié le 2026-04-03Dernière mise à jour le 2026-04-03

Résumé

Selon un rapport, la fuite du code source de Claude Code due à une erreur humaine chez Anthropic a déclenché une série d'incidents de sécurité. Des pirates exploitent désormais cet événement en créant de faux dépôts sur GitHub pour propager un logiciel espion nommé Vidar. Ces dépôts malveillants, optimisés pour les moteurs de recherche, prétendent offrir une version "déverrouillée avec des fonctionnalités entreprises" du code source divulgué, ciblant ainsi les développeurs imprudents. Une fois exécuté, le logiciel malveillant Vidar vole les informations sensibles, y compris les mots de passe des navigateurs et les portefeuilles de cryptomonnaies, tout en installant l'outil proxy GhostSocks pour assurer une persistance et un accès à distance. Les experts en sécurité mettent en garde contre ces pièges et rappellent l'importance de n'utiliser que des canaux officiels pour éviter de tomber dans ces attaques sophistiquées.

Selon un rapport du 2 avril, l'incident de fuite du code source de Claude Code, causé par une erreur humaine d'Anthropic, continue de s'aggraver. Actuellement, des pirates exploitent cet événement chaud en propageant un logiciel malveillant de vol d'informations nommé Vidar via de faux dépôts sur GitHub.

Leurre amélioré : Prétention de "déverrouiller des fonctionnalités professionnelles"

Un rapport de surveillance de la société de sécurité Zscaler montre qu'un utilisateur nommé idbzoomh a créé plusieurs faux dépôts sur GitHub.

  • Phishing ciblé : Le pirate affirme dans la description du dépôt fournir une version divulguée du code source "déverrouillant des fonctionnalités professionnelles", induisant les développeurs impatients de l'essayer à le télécharger.

  • Optimisation SEO : Pour étendre la portée de l'attaque, l'attaquant a optimisé les mots-clés pour les moteurs de recherche, ce qui fait que ces dépôts malveillants apparaissent souvent en tête des résultats lorsque les utilisateurs recherchent des mots-clés comme "fuite du code Claude Code".

Profil du virus : Infiltration de Vidar, données "déménagées"

Dès qu'un utilisateur est trompé, télécharge et exécute le fichier exécutable inclus, le système est rapidement compromis :

  • Vol d'informations : Le Vidar implanté est un logiciel malveillant très mature sur le dark web, spécialisé dans la collecte de mots de passe de navigateurs, de portefeuilles de cryptomonnaies et de diverses informations personnelles sensibles.

  • Latence persistante : Le virus déploie également simultanément l'outil proxy GhostSocks, établissant un canal secret pour les contrôles à distance ultérieurs et la transmission de données.

Avertissement de risque : Méfiez-vous des "repas gratuits" provenant de canaux non officiels

Les chercheurs en sécurité soulignent que les archives malveillantes de ces faux dépôts sont mises à jour à une fréquence très élevée, contournant facilement les détections de sécurité de base. Au moins deux dépôts utilisant des techniques similaires ont été identifiés, suggérant que le même attaquant teste différentes stratégies de propagation.

Observation de l'industrie : Le "piège en chaîne" de la sécurité de l'IA

De l'erreur de packaging du code source d'Anthropic à la réutilisation de l'événement chaud par les pirates pour le phishing, cet incident reflète la complexité des risques de sécurité à l'ère de l'IA. Lorsque la communauté des développeurs devient une cible, les compétences numériques de base - ne pas exécuter de fichiers binaires de source inconnue - restent la dernière ligne de défense.

L'équipe éditoriale rappelle à tous les développeurs : Veuillez absolument obtenir les outils via les canaux officiels d'Anthropic, et ne tombez pas dans les pièges soigneusement conçus par les pirates par curiosité ou en recherchant des "fonctionnalités crackées".

Questions liées

QQuel est le principal risque de sécurité découlant de la fuite du code source de Claude Code ?

ADes pirates ont exploité la fuite pour créer des dépôts GitHub malveillants diffusant le logiciel espion Vidar, volant les mots de passe, les portefeuilles de crypto-monnaie et les informations personnelles.

QComment les attaquants attirent-ils les développeurs vers leurs dépôts GitHub malveillants ?

AIls prétendent offrir le code source divulgué pour 'déverrouiller les fonctionnalités entreprise' et optimisent leurs dépôts avec des mots-clés pour apparaître en tête des résultats de recherche.

QQuel est le nom du logiciel malveillant distribué via ces faux dépôts ?

ALe logiciel malveillant distribué s'appelle Vidar.

QQuel outil supplémentaire les pirates déploient-ils pour maintenir un accès persistant aux systèmes infectés ?

AIls déploient également l'outil proxy GhostSocks pour établir des canaux secrets pour le contrôle à distance et l'exfiltration des données.

QQuel conseil de sécurité principal est donné aux développeurs pour éviter ces pièges ?

AIl est conseillé de n'obtenir les outils que par les canaux officiels d'Anthropic et de ne jamais exécuter de fichiers binaires provenant de sources inconnues.

Lectures associées

Les modèles génératifs peuvent aussi être entraînés de bout en bout ? Le noyau est en fait une boucle for

En 2012, AlexNet a révolutionné l'apprentissage profond en introduisant l'entraînement de bout en bout, où le modèle apprend une tâche complète en une seule fois, surpassant les approches par étapes conçues par l'homme. Cependant, les modèles génératifs actuels, comme les modèles autorégressifs ou de diffusion, font exception : ils sont entraînés à prédire une seule petite étape, puis doivent dérouler cette étape des centaines de fois lors de l'inférence. Cet écart entre l'entraînement et l'inférence entraîne un biais d'exposition (exposure bias), où les erreurs s'accumulent. Un récent article de l'Université de l'Illinois et de Harvard propose un nouveau paradigme, appelé Modélisation Exploratoire (Explorative Modeling, ou XM), pour résoudre ce problème. L'idée centrale est simple : au lieu de générer un seul échantillon par étape d'entraînement, le modèle en génère K, puis ne garde que le plus proche des données réelles pour calculer la perte et mettre à jour les paramètres. Cette boucle d'exploration, implémentée en quelques lignes de code, permet au modèle de capturer plusieurs modes de la distribution de données, évitant ainsi le flou modal (mode blurring) où le modèle converge vers une moyenne peu réaliste. Les auteurs démontrent que cette "expressivité générative" agit comme un troisième axe d'optimisation, indépendant de la taille du modèle ou des données. Les résultats montrent des gains croissants avec l'échelle : l'exploration améliore l'efficacité des FLOPs d'un facteur 4,1, l'efficacité des échantillons de 6,2 et l'efficacité des paramètres de 47%. Sur ImageNet, XM atteint un FID de 1,43 sans guidage. Appliqué de bout en bout, XM permet une inférence en une seule passe, rivalisant avec des modèles de diffusion nécessitant des centaines d'étapes, notamment dans des tâches de contrôle robotique. Bien que le concept de sélection du meilleur parmi K (best-of-K) ne soit pas nouveau, cette formalisation clarifie son rôle pour amplifier l'expressivité générative. Alors que les modèles continuent de grandir, cette troisième "molette" pourrait devenir déterminante.

marsbitIl y a 43 mins

Les modèles génératifs peuvent aussi être entraînés de bout en bout ? Le noyau est en fait une boucle for

marsbitIl y a 43 mins

Upbit Rééquilibre 864 Milliards de SHIB lors d'un Transfert Interne entre Portefeuilles

Le courtier sud-coréen Upbit a réorganisé 864 milliards de SHIB entre ses propres portefeuilles internes, un mouvement significatif sur la blockchain mais qui correspond à un rééquilibrage de routine plutôt qu'à une vente. Les transferts, d'une valeur d'environ 4 millions de dollars, ont suivi une hausse de 36% du SHIB, ce qui a attiré l'attention. Cependant, l'analyse des adresses labellisées confirme qu'il s'agit de mouvements entre des portefeuilles chauds et d'autres adresses internes de la plateforme, et non d'un retrait de fonds ou d'une préparation à une vente. Cet événement souligne l'importance de contextualiser les gros mouvements on-chain. La transparence des blockchains peut prêter à confusion si les transferts ne sont pas correctement interprétés. Les échanges rééquilibrent régulièrement leurs actifs entre portefeuilles chauds (pour la liquidité) et froids (pour la sécurité) dans le cadre de leurs opérations normales. Pour les traders, un tel mouvement interne n'a pas d'impact direct sur l'offre disponible sur le marché. L'article conclut que, bien que notable par son ampleur et son timing, ce transfert ne doit pas être considéré comme un signal de vente ou de panique. Il rappelle que la puissance des données on-chain réside dans leur analyse croisée avec un étiquetage fiable des portefeuilles.

bitcoinistIl y a 45 mins

Upbit Rééquilibre 864 Milliards de SHIB lors d'un Transfert Interne entre Portefeuilles

bitcoinistIl y a 45 mins

Chacun limité à 20 articles ? La nouvelle règle de l'ICLR fait l'objet d'une « pétition ironique » d'un chercheur de DeepMind

L'ICLR 2027 a instauré une nouvelle règle limitant chaque auteur à un maximum de 20 soumissions, au-delà desquelles des articles seront rejetés aléatoirement. Cette mesure vise à soulager la pression sur un système d'évaluation en crise, après une augmentation de 68% des soumissions pour ICLR 2026 (19 525 articles). En réaction, Dan Roy, chercheur chez Google DeepMind, a lancé une pétition sarcastique sur X, dénonçant cette limite comme « arbitraire » et « ralentissant le progrès de l'IA ». Son texte, ironique, suggère qu'il faudrait au contraire encourager la production massive de papiers par des agents IA, puisque l'évaluation par des modèles de langage serait déjà une réalité. Il fait ainsi allusion au scandale de ICLR 2026, où environ 21% des commentaires d'évaluation avaient été suspectés d'être entièrement générés par IA. À travers cette satire, Roy questionne l'efficacité d'une simple limitation quantitative face à un paysage académique où la génération automatisée de publications et d'évaluations se généralise, appelant à une réflexion plus profonde sur les défis posés par l'IA à l'intégrité scientifique.

marsbitIl y a 50 mins

Chacun limité à 20 articles ? La nouvelle règle de l'ICLR fait l'objet d'une « pétition ironique » d'un chercheur de DeepMind

marsbitIl y a 50 mins

Une vulnérabilité sur Coldcard entraîne le vol de 89 millions de dollars, déclenchant la plus grande migration en chaîne depuis FTX

L'incident de sécurité concernant le portefeuille matériel Coldcard a conduit au vol d'environ 8900 millions de dollars en Bitcoin, déclenchant une importante migration de fonds sur la chaîne. Suite à un avertissement de la société Coinkite le 30 juillet concernant une vulnérabilité liée à la génération de phrases de récupération, les utilisateurs concernés ont dû transférer massivement leurs actifs vers de nouvelles adresses sécurisées. Cette migration a entraîné une flambée anormale de l'activité des petites transactions et des adresses actives, brouillant les indicateurs traditionnels du marché et faisant baisser le sentiment des investisseurs. Parallèlement, les enquêteurs se heurtent à des difficultés pour tracer les fonds volés, en partie à cause des restrictions des modèles d'IA commerciaux américains qui entravent l'analyse des données malveillantes, un problème déjà rencontré par d'autres équipes de sécurité. La situation souligne la vulnérabilité perçue du stockage à froid et les défis posés par l'IA dans la course contre la montre pour le suivi des cryptomonnaies volées.

marsbitIl y a 1 h

Une vulnérabilité sur Coldcard entraîne le vol de 89 millions de dollars, déclenchant la plus grande migration en chaîne depuis FTX

marsbitIl y a 1 h

OpenAI ne compte plus sur son modèle le plus cher pour gagner de l'argent

OpenAI réduit considérablement ses prix : le modèle GPT-5.6 Luna baisse de 80 % et Terra de 20 %. Ce mouvement, accompagné par Anthropic qui propose aussi des alternatives moins chères, marque un tournant stratégique. Les géants de l'IA ne misent plus seulement sur leurs modèles "phares" les plus performants et chers (comme Sol ou Fable) pour générer des revenus, mais encouragent désormais l'utilisation de modèles intermédiaires (Luna, Terra, Opus) pour les tâches courantes et à grande échelle. L'idée est de créer un écosystème où les modèles se spécialisent : les plus intelligents conçoivent et planifient, tandis que les plus abordables exécutent. Cette approche, similaire à l'industrie automobile où les modèles grand public assurent les volumes, vise à verrouiller les flux de traitement à bas coût. Un point clé est l'optimisation automatique : OpenAI révèle que ses modèles avancés participent désormais à l'optimisation de leur propre code et de leur efficacité, créant une boucle vertueuse de réduction des coûts. L'objectif final n'est plus de vendre l'intelligence la plus pointue, mais de devenir la plateforme par défaut, avec une rentabilité basée sur le volume massif d'appels d'API à très faible coût. Le débat se déplace ainsi de "quel modèle est le plus intelligent ?" vers "quel écosystème offre le meilleur ROI ?". L'ambition est que l'IA, comme l'électricité, devienne une utilité omniprésente et peu coûteuse, intégrée silencieusement dans tous les processus.

marsbitIl y a 2 h

OpenAI ne compte plus sur son modèle le plus cher pour gagner de l'argent

marsbitIl y a 2 h

Trading

Spot
活动图片

Catégories populairesright-arrow

Tags tendancesright-arrow