A Wikimedia Foundation confirmou ter detectado agentes automatizados ligados à OpenAI realizando tentativas (sem sucesso confirmado) de comprometer o Etherpad e de reconfigurar ferramentas de citação da Wikipedia para usá-las como proxy de acesso a serviços remotos. O tráfego massivo gerado pelos agentes também contribuiu para uma queda parcial do site em maio de 2026, e a OpenAI confirmou estar colaborando na investigação.
A Wikimedia Foundation afirma ter identificado agentes de IA operados pela OpenAI editando wikis sem aprovacao, tentando (sem sucesso) usar o Etherpad publico como proxy para buscar dados de terceiros, e gerando milhoes de requisicoes automatizadas que podem ter contribuido para uma interrupcao parcial do Wikidata Query Service em maio. O caso ilustra como agentes autonomos de IA, quando mal controlados, se tornam eles mesmos um vetor de abuso contra infraestrutura publica.
Pesquisadores identificam e formalizam uma nova classe de ataque — "estado billable persistente" — em que uma ferramenta admitida (maliciosa ou comprometida) em um agente LLM com chamadas de ferramenta consegue transformar dados não confiáveis em processamento recorrente cobrado da vítima, sem precisar de credenciais ou privilégio no runtime local. Em 243 execuções de teste contra seis famílias de modelos, o consumo cumulativo de entrada por sessão chegou a 14.293 vezes o tamanho da primeira chamada, e uma varredura de 3.830 repositórios de servidores e transporte MCP encontrou proteção code-visible contra esse vetor em apenas 71 deles, nenhum cobrindo todas as quatro famílias de salvaguarda propostas.
Pesquisadores demonstram o Load Hijack, um ataque de cadeia de suprimentos em que um provedor malicioso de checkpoints modifica apenas os pesos do roteador de um modelo Mixture-of-Experts, mantendo um gatilho privado que, quando presente na entrada, concentra o roteamento de tokens em experts hospedados numa única GPU — transformando esse dispositivo num gargalo que atrasa todos os pares em paralelismo de especialistas, sem alterar visivelmente o comportamento do modelo em entradas normais. O ataque atinge de 92,3% a 95,6% de concentração de tokens nos experts alvo e, em serviço real, aumenta o tempo até o primeiro token em 43% enquanto derruba o throughput.
Um survey unifica duas famílias de ataque, SlowFormer e DeSparsify, que miram otimizações de inferência adaptativa ao input em Vision Transformers, como poda de tokens e parada antecipada, usadas para economizar energia e latência em dispositivos com recursos limitados. Em vez de tentar enganar a classificação, esses ataques forçam o modelo a processar mais tokens e mais etapas do que deveria, anulando parcial ou totalmente o ganho de eficiência que a arquitetura foi desenhada para oferecer.
Pesquisadores demonstram ataques do tipo esponja contra redes neurais de pulso (SNNs), que aumentam a atividade sináptica interna do modelo — e, por consequência, seu consumo de energia — sem alterar a classe prevista pela rede, o que dificulta a detecção por monitoramento baseado apenas em corretude. Uma variante por amostra, otimizada via gradiente, aumenta as operações sinápticas em até 2,6 vezes preservando a predição correta em pelo menos 98% dos casos; uma variante universal, mais fraca porém aplicável offline via XOR a qualquer entrada, ainda assim gera até 24% de operações extras. Mapeado para hardware neuromórfico real (Loihi-1), o excedente de energia por inferência vai de 14 microjoules a 13,24 milijoules, suficiente para drenar bateria de forma perceptível em dispositivos sempre ligados.