[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M7ASFEPDA8BCC305NV3XGQJK":3,"skill-same:01M7ASFEPDA8BCC305NV3XGQJK":49},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":27,"commitSha":28,"skillDirectory":29,"forksCount":30,"repositoryHtmlUrl":31,"repositoryHomepageUrl":6,"ownerHtmlUrl":32,"ownerBlogUrl":6,"ownerDescription":33,"updatedAt":34,"install":35,"resources":48},"01M7ASFEPDA8BCC305NV3XGQJK","re-ai-model",null,"AI 模型文件逆向与静态分析：ONNX\u002FPyTorch\u002FSafetensors\u002FTFLite 格式解析、 网络结构还原、权重提取、文件级水印分析（权重 pattern\u002Fmetadata\u002Ftensor hash\u002Fembedding 异常）。 触发词：模型文件、权重提取、ONNX解析、safetensors、pth分析、pt文件、模型结构还原、文件级水印","dslsdzc\u002Frev-skills","dslsdzc","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F150430440?v=4","01M7ASEW5AKHWCFR1TXPAXQ237","DslsDZC","01M7ASEW5WJZ3GGBCCT12KHAQZ",243,"Apache-2.0","https:\u002F\u002Fgithub.com\u002Fdslsdzc\u002Frev-skills\u002Fblob\u002Fmain\u002F.claude\u002Fskills\u002Fre-ai-model\u002FSKILL.md",[],[],"2026-11-15 14:19:17",false,"---\nname: re-ai-model\ndescription: >\n  AI 模型文件逆向与静态分析：ONNX\u002FPyTorch\u002FSafetensors\u002FTFLite 格式解析、\n  网络结构还原、权重提取、文件级水印分析（权重 pattern\u002Fmetadata\u002Ftensor hash\u002Fembedding 异常）。\n  触发词：模型文件、权重提取、ONNX解析、safetensors、pth分析、pt文件、模型结构还原、文件级水印\ncapabilities: [ai-model-analysis]\n---\n\n# AI 模型逆向（ONNX \u002F PyTorch \u002F Safetensors）\n\n## 何时使用 \u002F 何时不用\n\n- 用：拿到 .onnx \u002F .pt \u002F .pth \u002F .safetensors \u002F .tflite 等模型文件，要还原网络结构、提取权重\n- 用：**文件级水印**检测（东西藏在哪里：权重 pattern \u002F metadata \u002F tensor hash \u002F embedding 异常——怀疑模型是从原版复制\u002F微调而来时先查文件侧）\n- 用：模型文件本身是载荷——权重里藏数据、torch.save 打包恶意 pickle、后门\u002F投毒模型（下载执行类样本）\n- 不用：**行为级水印**（模型表现出来是什么：trigger 触发响应 \u002F 查询响应 \u002F 黑盒指纹）与 API 行为层攻击（走 [[re-ai-attack]]）\n- 不用：纯推理脚本\u002F训练代码（那是源码，走 [[re-script-deob]]）\n- 不用：模型被打包进可执行文件（PyInstaller\u002Fpyarmor 等）——先 [[re-binary-core]] 拆包，拆出的模型文件再回本技能\n- 边界：本技能定位 = 模型文件解析 \u002F 结构分析 \u002F 权重分析 \u002F 文件级水印——恶意模型判定、投毒\u002F后门行为侧、归属取证属取证域（未来独立 re-ai-malware 技能承接；当前此类需求暂在本技能范围，以安全边界（坑 2 pickle 隔离）处理，行为侧转 [[re-ai-attack]]）\n- 注意：**安全提示——不要直接 torch.load 未知 pkl 文件**（pickle 反序列化可执行任意代码，见坑 2）；一切对未知 pkl 的加载默认隔离环境（[[re-analyze\u002Fplatform-tips]] 沙箱最高原则），先读后跑；模型解析\u002F权重提取为静态步骤，可免沙箱\n\n## 工具准备\n\n参考 [[re-analyze\u002Fplatform-tips]]——模型文件 GB 级常见，静态分析按「静态优先（大型样本）」思路：先格式识别与结构解析，按需提取权重，不整载内存（坑 1）。\n\n### python3 —— 所有解析脚本基础\n\n- Linux: `apt install python3` \u002F `dnf install python3` \u002F `pacman -S python`\n- macOS: `brew install python3`；Windows: `choco install python`\n- 验证: `python3 --version`（本技能脚本均为 Python 3）\n\n### onnx（pip，Python 3.10+）—— ONNX 解析主力\n\n- `pip install onnx`（官方 PyPI；当前 onnx 要求 Python 3.10+，具体版本以 PyPI Requires-Python 为准；自带 protobuf 依赖与 `onnx.proto3` 类型定义）\n- 验证: `python3 -c \"import onnx; print(onnx.__version__)\"`\n\n### netron（pip，Python 3）—— 模型可视化\n\n- `pip install netron`（官方 PyPI，无 Python 版本上界）；桌面独立版可选: macOS `brew install --cask netron`、Windows `winget install netron`、Linux snap `snap install netron`\n- 验证: `netron --help` 有输出（`pip show netron` 查版本）\n- 用法: `netron model.onnx`（本地起 http 服务并开浏览器可视化；`--no-browser` 无头模式）\n\n### torch（pip，Python >=3.10）—— PyTorch 模型加载\n\n- Linux\u002FWindows: `pip install torch`（默认 PyPI 轮子为带 CUDA 全量包，数 GB；仅 CPU 分析用 `pip install torch --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcpu`）\n- **Python 版本下限**：当前 torch 2.x 要求 **Python >=3.10**（PyPI `requires-python`；torchvision 同步为 >=3.10）——3.9 环境要装需 pin 到仍支持 3.9 的旧版（2.8.x 及更早）。torch \u002F torchvision \u002F Python 的具体组合以官方 compatibility matrix 为准，别按「3.9+」泛化\n- macOS: `pip install torch`（官方 wheel 为 CPU\u002Farm64）\n- 验证: `python3 -c \"import torch; print(torch.__version__)\"`\n- **安全注**：torch.load 底层是 pickle——不要直接 load 未知 pkl 文件；PyTorch 2.6+ 默认 `weights_only=True`，旧版本\u002F显式 `weights_only=False` 仍有任意代码执行风险；未知模型先 `unzip -l`\u002F`xxd` 粗查（坑 2），在隔离环境用 `weights_only=True` 加载，能转 safetensors 就转\n\n### safetensors（pip，Python 3）—— 安全格式读取\n\n- `pip install safetensors`；验证: `python3 -c \"import safetensors; print(safetensors.__version__)\"`\n- 设计目的即无代码执行（纯数据 + JSON 头），是未知 pkl 的替代分析入口（坑 2 对策之一）\n\n### protobuf \u002F protoc（onnx 是 proto）—— 底层格式\n\n- Python 绑定: `pip install protobuf`（当前 7.x 要求 **Python >=3.10**，6.x 起下限已在抬升；3.8\u002F3.9 需 pin 对应旧版本。onnx 已自带依赖、通常无需单独装）\n- protoc 编译工具: Debian\u002FUbuntu `apt install protobuf-compiler`、Fedora `dnf install protobuf-compiler`、Arch `pacman -S protobuf`、macOS `brew install protobuf`\n- 验证: `protoc --version`；`python3 -c \"import google.protobuf; print(google.protobuf.__version__)\"`\n\n## 操作步骤\n\n按顺序执行，每步产物（模型哈希\u002F结构摘要\u002F权重清单）存档 sha256 + 路径（[[re-ioc]] 证据链）。\n\n1. **模型格式识别（onnx \u002F safetensors \u002F pytorch pkl \u002F tflite）**：\n   ```sh\n   file model.bin && sha256sum model.bin > model.sha256 && xxd model.bin | head -2\n   ```\n   - **ONNX**：无固定魔数——protobuf 流，首字段为 ir_version（tag `0x08` + 变长值；**值随 ONNX 版本递增**：IR 8 对应 ONNX 1.10，当前发布已到 IR 13——所以第二个字节不是常量 `08`，不能拿 `08 08 12` 当识别特征）；producer_name（tag `0x12`，长度前缀）按规范只 SHOULD 出现，不保证紧跟其后；`onnx.checker.check_model` 可验证合法性\n   - **Safetensors**：前 8 字节 = **小端** u64 头长度（`struct.unpack(\"\u003CQ\", data[:8])`），随后是 JSON 头（张量名\u002F形状\u002Fdtype\u002F偏移）\n   - **PyTorch**：`file` 显示 Zip archive（`PK\\x03\\x04` 头）——`unzip -l model.pt` 看条目（state_dict 含 `data.pkl`；torch.jit.script 含 `data.pkl`\u002F`constants.pkl`\u002F`bytecode.pkl`）；老式纯 pkl 是裸 pickle 流（无 PK 头）——**不直接 load**，先 xxd\u002Fstrings 粗看（坑 2）\n   - **TFLite**：flatbuffers 流——无固定魔数，但字节 4–7 为文件标识符 `TFL3`（对应 schema 的 `__model_identifier` 字段），xxd\u002Fstrings 可见；结构解析可用 Netron（支持 .tflite 可视化），权重提取分支思路同 onnx（flatbuffers 解析，超出本技能深度时标注\"结构化 dump 为准\"）\n   - 判定后按格式走对应分支；拿不准先 [[re-triage]] 初勘（熵\u002Fstrings 特征）\n\n2. **结构解析（图\u002F层\u002F算子）**：\n   ```sh\n   netron model.onnx --no-browser          # 可视化（有图形界面再开浏览器）\n   python3 - \u003C\u003C'PY'\n   import onnx\n   m = onnx.load(\"model.onnx\")\n   print(\"producer:\", m.producer_name, m.producer_version)   # 框架\u002F优化器指纹（见坑 3）\n   g = m.graph\n   print(\"inputs:\", [(i.name, [d.dim_value for d in i.type.tensor_type.shape.dim]) for i in g.input])\n   print(\"nodes:\", len(g.node), \"initializers:\", len(g.initializer), \"outputs:\", [o.name for o in g.output])\n   for n in g.node[:20]:\n       print(n.op_type, n.name, list(n.input), \"->\", list(n.output))\n   PY\n   ```\n   - PyTorch 侧：`torch.jit.load` 得 ScriptModule 可打印 `model.graph`（TorchScript 结构）；`torch.load` 的 state_dict 只有张量**没有网络结构**——结构在训练\u002F推理脚本里，需配合源码还原（见跨域 [[re-script-deob]]）\n   - 关注点：算子序列（卷积\u002F注意力等结构指纹）、输入输出张量形状、常量节点位置（权重藏在哪）\n\n3. **权重提取（张量 dump）**：\n   ```sh\n   mkdir -p weights\n   # ONNX：逐 tensor 惰性落地（大模型见坑 1）\n   # 注意：这不是\"流式\"——to_array() 对使用 external data 的 tensor 会先把该张量【完整】读进 ndarray，\n   #       只是\"一次一个张量\"而不是\"一次整个模型\"；显存\u002F内存峰值取决于最大的那个张量\n   python3 - \u003C\u003C'PY'\n   import onnx, numpy as np\n   m = onnx.load(\"model.onnx\", load_external_data=False)     # 只载图结构，不载外部权重\n   for init in m.graph.initializer:\n       # base_dir 默认为空字符串——外部权重不在 CWD 时必须显式指定其所在目录\n       arr = onnx.numpy_helper.to_array(init, base_dir=\".\")   # 该张量在此处被完整 materialize\n       np.save(f\"weights\u002F{init.name.replace('\u002F', '_')}.npy\", arr)\n       print(init.name, arr.shape, arr.dtype)\n       del arr                                                # 及时释放，为下一张量让出内存\n   PY\n   # Safetensors：惰性按张量读取（不整载内存）\n   python3 - \u003C\u003C'PY'\n   from safetensors import safe_open\n   with safe_open(\"model.safetensors\", framework=\"numpy\") as f:\n       print(len(f.keys()), \"tensors\")\n       for k in list(f.keys())[:10]:\n           t = f.get_tensor(k); print(k, t.shape, t.dtype)\n   PY\n   # PyTorch state_dict（weights_only 安全加载，见坑 2）\n   python3 - \u003C\u003C'PY'\n   import torch\n   sd = torch.load(\"model.pth\", weights_only=True)\n   for k, v in list(sd.items())[:10]:\n       print(k, tuple(v.shape) if hasattr(v, \"shape\") else type(v))\n   PY\n   ```\n   - 产出：权重清单（张量名\u002F形状\u002Fdtype\u002F数值摘要）+ npy 存档——这是水印检测与窃取判定的原料\n\n4. **模型水印\u002F指纹检测（嵌入权重）**：\n   - 权重级：逐张量统计（min\u002Fmax\u002Fmean\u002Fstd、直方图分桶）与疑似原版模型比对；水印常嵌在特定层（首层卷积 bias、归一化 scale、embedding 矩阵行），多为低比特位扰动——检查关键张量的低比特位模式与数值分布异常，而非精确相等（坑 4）\n   - 指纹级：全权重 sha256 摘要、逐层张量 hash 序列；与候选原版逐层距离（L2\u002F余弦）比对，输出\"每层距离热点图\"\n   - 行为级：同一测试输入集跑两模型推理，比较 logits 与激活分布——重训练\u002F蒸馏窃取者权重不同但行为接近\n   - 产出：相似度矩阵 + 热点图，结论注明判定依据与阈值\n\n5. **模型窃取判定（架构相似度）**：\n   ```sh\n   python3 - \u003C\u003C'PY'\n   import onnx\n   from difflib import SequenceMatcher\n   m1 = onnx.load(\"suspect.onnx\"); m2 = onnx.load(\"original.onnx\")\n   s1 = [n.op_type for n in m1.graph.node]; s2 = [n.op_type for n in m2.graph.node]\n   print(\"op-seq similarity:\", SequenceMatcher(None, s1, s2).ratio())   # 算子序列相似度\n   # 层对齐后逐层权重余弦\u002FL2 距离：见步骤 4 的每层距离矩阵\n   PY\n   ```\n   - 维度：算子序列（SequenceMatcher）、输入\u002F输出形状、逐层权重余弦\u002FL2、输出 logits 距离\n   - 判定纪律：单一维度是弱证据（同架构不同训练=正常）；多维度一致且权重分布高度接近（如逐层余弦 >0.99）才可主张窃取，结论标注各维度数值\n   - 隐藏载荷检查：`m.metadata_props`（ONNX metadata 藏字符串\u002F代码）、zip 条目中多余文件（坑 2 相关）、权重中形状\u002F数值分布特异的异常张量\n\n## 跨域联合\n\n- [[re-managed]]：本网关「识别运行时」识别到 AI 模型文件后固定调用本技能（模型是\"代码在数据里\"的托管域分支）\n- [[re-binary-core]]：模型内嵌代码、模型被打包进可执行文件（PyInstaller\u002Fpyarmor 打包的推理程序）——先二进制域拆解（格式解析\u002F反编译），拆出的模型文件回本技能\n- [[re-sandbox]]：一切未知 pkl 的 load 默认隔离环境（[[re-analyze\u002Fplatform-tips]] 最高原则）\n- [[re-malware]]：恶意模型载荷（pickle 恶意代码、后门权重、投毒模型分发）的行为与情报侧\n- [[re-ioc]]：模型指纹（sha256\u002F张量 hash\u002F水印模式）进 IOC；[[re-triage]]：模型文件初勘入口与哈希存档\n- [[re-script-deob]]：PyTorch 推理\u002F训练脚本还原（state_dict 无结构时的补全路径）\n- 引用 [[re-analyze\u002Fplatform-tips]] 静态优先（大型样本）与沙箱最高原则分支\n- [[re-ai-attack]]：**文件级证据 → 行为级验证**（单向数据流）——本技能产出的文件侧结论（结构 \u002F 权重 \u002F 文件级 fingerprint）作为 re-ai-attack 行为一致性验证的输入。示例：拿到 suspect.pt → 本技能提取结构+权重生成 fingerprint → 转 re-ai-attack 做行为一致性验证（API 侧比对）\n- 只有 API（无文件）的评估直接进 [[re-ai-attack]]，不经本技能\n\n## 常见坑与陷阱\n\n- **大模型文件巨大（GB 级）**：现象——`onnx.load`\u002F`torch.load` 吃满内存卡死，netron 打开超时，`np.save` 批量写盘满；原因——权重数 GB，一次性整体加载到内存；对策——分析前先 `du -sh`\u002F`sha256sum` 存档；ONNX 用 `onnx.load(..., load_external_data=False)` 只载图结构，再**逐 tensor** 取值——注意 `numpy_helper.to_array()` 对该 tensor **是完整读出**（不是流式），所以峰值取决于最大的张量，且用 external data 时要**显式给 `base_dir`**（默认空字符串，权重不在 CWD 时直接失败）；Safetensors 用 `safe_open` 惰性按张量读；PyTorch 大模型 `torch.load(..., mmap=True)`；处理对象是\"结构摘要 + 定向张量\"，不是整个文件\n- **pkl 反序列化风险（不要直接 torch.load 未知 pkl）**：现象——load 后进程反弹 shell\u002F文件被删，或报诡异 `AttributeError`\u002F`ModuleNotFoundError`；原因——pickle 协议可注入任意代码（`__reduce__`\u002F`__setstate__`），torch.load 底层就是 pickle，恶意模型是投毒载荷载体；对策——**安全提示：未知模型绝不直接 `torch.load`**；先 `unzip -l`\u002F`xxd`\u002F`strings` 粗查（zip 头 PK vs 裸 pickle、条目有无可疑模块名），用 `weights_only=True`（PyTorch 2.6+ 默认）加载，需要全功能加载时在隔离环境（[[re-sandbox]]）执行；可转 safetensors 的样本直接转（纯数据无代码执行）\n- **图优化混淆层结构**：现象——onnx-simplifier\u002FTensorRT\u002Fonnxruntime 优化后的模型算子序列与训练态对不上（Conv+BN 融合成一个 Conv、常量折叠、名字全改），结构相似度误判；原因——优化器做算子融合\u002F常量折叠，图结构与训练态不同，producer 字段会变；对策——先读 `m.producer_name`\u002F`m.producer_version` 识别优化器与版本（融合 ConvBN 的特征：BN 层消失且 scale 并入 conv 权重）；架构比较前先规范化算子序列（按算子类别抽象，忽略名字与常量差异）；可用 onnx-simplifier\u002Fonnxruntime `graph_optimization_level` 对比优化前后 diff 还原原始层\n- **水印鲁棒性（剪枝后仍存）**：现象——精确值比对未命中就下\"无水印\"结论，或两个无关模型在个别层数值巧合相似被误判\"窃取\"；原因——鲁棒水印经剪枝\u002F量化\u002F重训练后仍存活（设计目标），精确匹配必漏；正常模型同架构同数据权重分布相似，单层巧合是假阳性；对策——水印检测用\"统计异常\"（低比特位扰动\u002F数值分布特异层）而非\"精确相等\"，窃取判定用多维度证据 + 阈值（步骤 5 纪律），结论标注置信度与证据强度\n","# AI 模型逆向（ONNX \u002F PyTorch \u002F Safetensors）\n\n## 何时使用 \u002F 何时不用\n\n- 用：拿到 .onnx \u002F .pt \u002F .pth \u002F .safetensors \u002F .tflite 等模型文件，要还原网络结构、提取权重\n- 用：**文件级水印**检测（东西藏在哪里：权重 pattern \u002F metadata \u002F tensor hash \u002F embedding 异常——怀疑模型是从原版复制\u002F微调而来时先查文件侧）\n- 用：模型文件本身是载荷——权重里藏数据、torch.save 打包恶意 pickle、后门\u002F投毒模型（下载执行类样本）\n- 不用：**行为级水印**（模型表现出来是什么：trigger 触发响应 \u002F 查询响应 \u002F 黑盒指纹）与 API 行为层攻击（走 [[re-ai-attack]]）\n- 不用：纯推理脚本\u002F训练代码（那是源码，走 [[re-script-deob]]）\n- 不用：模型被打包进可执行文件（PyInstaller\u002Fpyarmor 等）——先 [[re-binary-core]] 拆包，拆出的模型文件再回本技能\n- 边界：本技能定位 = 模型文件解析 \u002F 结构分析 \u002F 权重分析 \u002F 文件级水印——恶意模型判定、投毒\u002F后门行为侧、归属取证属取证域（未来独立 re-ai-malware 技能承接；当前此类需求暂在本技能范围，以安全边界（坑 2 pickle 隔离）处理，行为侧转 [[re-ai-attack]]）\n- 注意：**安全提示——不要直接 torch.load 未知 pkl 文件**（pickle 反序列化可执行任意代码，见坑 2）；一切对未知 pkl 的加载默认隔离环境（[[re-analyze\u002Fplatform-tips]] 沙箱最高原则），先读后跑；模型解析\u002F权重提取为静态步骤，可免沙箱\n\n## 工具准备\n\n参考 [[re-analyze\u002Fplatform-tips]]——模型文件 GB 级常见，静态分析按「静态优先（大型样本）」思路：先格式识别与结构解析，按需提取权重，不整载内存（坑 1）。\n\n### python3 —— 所有解析脚本基础\n\n- Linux: `apt install python3` \u002F `dnf install python3` \u002F `pacman -S python`\n- macOS: `brew install python3`；Windows: `choco install python`\n- 验证: `python3 --version`（本技能脚本均为 Python 3）\n\n### onnx（pip，Python 3.10+）—— ONNX 解析主力\n\n- `pip install onnx`（官方 PyPI；当前 onnx 要求 Python 3.10+，具体版本以 PyPI Requires-Python 为准；自带 protobuf 依赖与 `onnx.proto3` 类型定义）\n- 验证: `python3 -c \"import onnx; print(onnx.__version__)\"`\n\n### netron（pip，Python 3）—— 模型可视化\n\n- `pip install netron`（官方 PyPI，无 Python 版本上界）；桌面独立版可选: macOS `brew install --cask netron`、Windows `winget install netron`、Linux snap `snap install netron`\n- 验证: `netron --help` 有输出（`pip show netron` 查版本）\n- 用法: `netron model.onnx`（本地起 http 服务并开浏览器可视化；`--no-browser` 无头模式）\n\n### torch（pip，Python >=3.10）—— PyTorch 模型加载\n\n- Linux\u002FWindows: `pip install torch`（默认 PyPI 轮子为带 CUDA 全量包，数 GB；仅 CPU 分析用 `pip install torch --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcpu`）\n- **Python 版本下限**：当前 torch 2.x 要求 **Python >=3.10**（PyPI `requires-python`；torchvision 同步为 >=3.10）——3.9 环境要装需 pin 到仍支持 3.9 的旧版（2.8.x 及更早）。torch \u002F torchvision \u002F Python 的具体组合以官方 compatibility matrix 为准，别按「3.9+」泛化\n- macOS: `pip install torch`（官方 wheel 为 CPU\u002Farm64）\n- 验证: `python3 -c \"import torch; print(torch.__version__)\"`\n- **安全注**：torch.load 底层是 pickle——不要直接 load 未知 pkl 文件；PyTorch 2.6+ 默认 `weights_only=True`，旧版本\u002F显式 `weights_only=False` 仍有任意代码执行风险；未知模型先 `unzip -l`\u002F`xxd` 粗查（坑 2），在隔离环境用 `weights_only=True` 加载，能转 safetensors 就转\n\n### safetensors（pip，Python 3）—— 安全格式读取\n\n- `pip install safetensors`；验证: `python3 -c \"import safetensors; print(safetensors.__version__)\"`\n- 设计目的即无代码执行（纯数据 + JSON 头），是未知 pkl 的替代分析入口（坑 2 对策之一）\n\n### protobuf \u002F protoc（onnx 是 proto）—— 底层格式\n\n- Python 绑定: `pip install protobuf`（当前 7.x 要求 **Python >=3.10**，6.x 起下限已在抬升；3.8\u002F3.9 需 pin 对应旧版本。onnx 已自带依赖、通常无需单独装）\n- protoc 编译工具: Debian\u002FUbuntu `apt install protobuf-compiler`、Fedora `dnf install protobuf-compiler`、Arch `pacman -S protobuf`、macOS `brew install protobuf`\n- 验证: `protoc --version`；`python3 -c \"import google.protobuf; print(google.protobuf.__version__)\"`\n\n## 操作步骤\n\n按顺序执行，每步产物（模型哈希\u002F结构摘要\u002F权重清单）存档 sha256 + 路径（[[re-ioc]] 证据链）。\n\n1. **模型格式识别（onnx \u002F safetensors \u002F pytorch pkl \u002F tflite）**：\n   ```sh\n   file model.bin && sha256sum model.bin > model.sha256 && xxd model.bin | head -2\n   ```\n   - **ONNX**：无固定魔数——protobuf 流，首字段为 ir_version（tag `0x08` + 变长值；**值随 ONNX 版本递增**：IR 8 对应 ONNX 1.10，当前发布已到 IR 13——所以第二个字节不是常量 `08`，不能拿 `08 08 12` 当识别特征）；producer_name（tag `0x12`，长度前缀）按规范只 SHOULD 出现，不保证紧跟其后；`onnx.checker.check_model` 可验证合法性\n   - **Safetensors**：前 8 字节 = **小端** u64 头长度（`struct.unpack(\"\u003CQ\", data[:8])`），随后是 JSON 头（张量名\u002F形状\u002Fdtype\u002F偏移）\n   - **PyTorch**：`file` 显示 Zip archive（`PK\\x03\\x04` 头）——`unzip -l model.pt` 看条目（state_dict 含 `data.pkl`；torch.jit.script 含 `data.pkl`\u002F`constants.pkl`\u002F`bytecode.pkl`）；老式纯 pkl 是裸 pickle 流（无 PK 头）——**不直接 load**，先 xxd\u002Fstrings 粗看（坑 2）\n   - **TFLite**：flatbuffers 流——无固定魔数，但字节 4–7 为文件标识符 `TFL3`（对应 schema 的 `__model_identifier` 字段），xxd\u002Fstrings 可见；结构解析可用 Netron（支持 .tflite 可视化），权重提取分支思路同 onnx（flatbuffers 解析，超出本技能深度时标注\"结构化 dump 为准\"）\n   - 判定后按格式走对应分支；拿不准先 [[re-triage]] 初勘（熵\u002Fstrings 特征）\n\n2. **结构解析（图\u002F层\u002F算子）**：\n   ```sh\n   netron model.onnx --no-browser          # 可视化（有图形界面再开浏览器）\n   python3 - \u003C\u003C'PY'\n   import onnx\n   m = onnx.load(\"model.onnx\")\n   print(\"producer:\", m.producer_name, m.producer_version)   # 框架\u002F优化器指纹（见坑 3）\n   g = m.graph\n   print(\"inputs:\", [(i.name, [d.dim_value for d in i.type.tensor_type.shape.dim]) for i in g.input])\n   print(\"nodes:\", len(g.node), \"initializers:\", len(g.initializer), \"outputs:\", [o.name for o in g.output])\n   for n in g.node[:20]:\n       print(n.op_type, n.name, list(n.input), \"->\", list(n.output))\n   PY\n   ```\n   - PyTorch 侧：`torch.jit.load` 得 ScriptModule 可打印 `model.graph`（TorchScript 结构）；`torch.load` 的 state_dict 只有张量**没有网络结构**——结构在训练\u002F推理脚本里，需配合源码还原（见跨域 [[re-script-deob]]）\n   - 关注点：算子序列（卷积\u002F注意力等结构指纹）、输入输出张量形状、常量节点位置（权重藏在哪）\n\n3. **权重提取（张量 dump）**：\n   ```sh\n   mkdir -p weights\n   # ONNX：逐 tensor 惰性落地（大模型见坑 1）\n   # 注意：这不是\"流式\"——to_array() 对使用 external data 的 tensor 会先把该张量【完整】读进 ndarray，\n   #       只是\"一次一个张量\"而不是\"一次整个模型\"；显存\u002F内存峰值取决于最大的那个张量\n   python3 - \u003C\u003C'PY'\n   import onnx, numpy as np\n   m = onnx.load(\"model.onnx\", load_external_data=False)     # 只载图结构，不载外部权重\n   for init in m.graph.initializer:\n       # base_dir 默认为空字符串——外部权重不在 CWD 时必须显式指定其所在目录\n       arr = onnx.numpy_helper.to_array(init, base_dir=\".\")   # 该张量在此处被完整 materialize\n       np.save(f\"weights\u002F{init.name.replace('\u002F', '_')}.npy\", arr)\n       print(init.name, arr.shape, arr.dtype)\n       del arr                                                # 及时释放，为下一张量让出内存\n   PY\n   # Safetensors：惰性按张量读取（不整载内存）\n   python3 - \u003C\u003C'PY'\n   from safetensors import safe_open\n   with safe_open(\"model.safetensors\", framework=\"numpy\") as f:\n       print(len(f.keys()), \"tensors\")\n       for k in list(f.keys())[:10]:\n           t = f.get_tensor(k); print(k, t.shape, t.dtype)\n   PY\n   # PyTorch state_dict（weights_only 安全加载，见坑 2）\n   python3 - \u003C\u003C'PY'\n   import torch\n   sd = torch.load(\"model.pth\", weights_only=True)\n   for k, v in list(sd.items())[:10]:\n       print(k, tuple(v.shape) if hasattr(v, \"shape\") else type(v))\n   PY\n   ```\n   - 产出：权重清单（张量名\u002F形状\u002Fdtype\u002F数值摘要）+ npy 存档——这是水印检测与窃取判定的原料\n\n4. **模型水印\u002F指纹检测（嵌入权重）**：\n   - 权重级：逐张量统计（min\u002Fmax\u002Fmean\u002Fstd、直方图分桶）与疑似原版模型比对；水印常嵌在特定层（首层卷积 bias、归一化 scale、embedding 矩阵行），多为低比特位扰动——检查关键张量的低比特位模式与数值分布异常，而非精确相等（坑 4）\n   - 指纹级：全权重 sha256 摘要、逐层张量 hash 序列；与候选原版逐层距离（L2\u002F余弦）比对，输出\"每层距离热点图\"\n   - 行为级：同一测试输入集跑两模型推理，比较 logits 与激活分布——重训练\u002F蒸馏窃取者权重不同但行为接近\n   - 产出：相似度矩阵 + 热点图，结论注明判定依据与阈值\n\n5. **模型窃取判定（架构相似度）**：\n   ```sh\n   python3 - \u003C\u003C'PY'\n   import onnx\n   from difflib import SequenceMatcher\n   m1 = onnx.load(\"suspect.onnx\"); m2 = onnx.load(\"original.onnx\")\n   s1 = [n.op_type for n in m1.graph.node]; s2 = [n.op_type for n in m2.graph.node]\n   print(\"op-seq similarity:\", SequenceMatcher(None, s1, s2).ratio())   # 算子序列相似度\n   # 层对齐后逐层权重余弦\u002FL2 距离：见步骤 4 的每层距离矩阵\n   PY\n   ```\n   - 维度：算子序列（SequenceMatcher）、输入\u002F输出形状、逐层权重余弦\u002FL2、输出 logits 距离\n   - 判定纪律：单一维度是弱证据（同架构不同训练=正常）；多维度一致且权重分布高度接近（如逐层余弦 >0.99）才可主张窃取，结论标注各维度数值\n   - 隐藏载荷检查：`m.metadata_props`（ONNX metadata 藏字符串\u002F代码）、zip 条目中多余文件（坑 2 相关）、权重中形状\u002F数值分布特异的异常张量\n\n## 跨域联合\n\n- [[re-managed]]：本网关「识别运行时」识别到 AI 模型文件后固定调用本技能（模型是\"代码在数据里\"的托管域分支）\n- [[re-binary-core]]：模型内嵌代码、模型被打包进可执行文件（PyInstaller\u002Fpyarmor 打包的推理程序）——先二进制域拆解（格式解析\u002F反编译），拆出的模型文件回本技能\n- [[re-sandbox]]：一切未知 pkl 的 load 默认隔离环境（[[re-analyze\u002Fplatform-tips]] 最高原则）\n- [[re-malware]]：恶意模型载荷（pickle 恶意代码、后门权重、投毒模型分发）的行为与情报侧\n- [[re-ioc]]：模型指纹（sha256\u002F张量 hash\u002F水印模式）进 IOC；[[re-triage]]：模型文件初勘入口与哈希存档\n- [[re-script-deob]]：PyTorch 推理\u002F训练脚本还原（state_dict 无结构时的补全路径）\n- 引用 [[re-analyze\u002Fplatform-tips]] 静态优先（大型样本）与沙箱最高原则分支\n- [[re-ai-attack]]：**文件级证据 → 行为级验证**（单向数据流）——本技能产出的文件侧结论（结构 \u002F 权重 \u002F 文件级 fingerprint）作为 re-ai-attack 行为一致性验证的输入。示例：拿到 suspect.pt → 本技能提取结构+权重生成 fingerprint → 转 re-ai-attack 做行为一致性验证（API 侧比对）\n- 只有 API（无文件）的评估直接进 [[re-ai-attack]]，不经本技能\n\n## 常见坑与陷阱\n\n- **大模型文件巨大（GB 级）**：现象——`onnx.load`\u002F`torch.load` 吃满内存卡死，netron 打开超时，`np.save` 批量写盘满；原因——权重数 GB，一次性整体加载到内存；对策——分析前先 `du -sh`\u002F`sha256sum` 存档；ONNX 用 `onnx.load(..., load_external_data=False)` 只载图结构，再**逐 tensor** 取值——注意 `numpy_helper.to_array()` 对该 tensor **是完整读出**（不是流式），所以峰值取决于最大的张量，且用 external data 时要**显式给 `base_dir`**（默认空字符串，权重不在 CWD 时直接失败）；Safetensors 用 `safe_open` 惰性按张量读；PyTorch 大模型 `torch.load(..., mmap=True)`；处理对象是\"结构摘要 + 定向张量\"，不是整个文件\n- **pkl 反序列化风险（不要直接 torch.load 未知 pkl）**：现象——load 后进程反弹 shell\u002F文件被删，或报诡异 `AttributeError`\u002F`ModuleNotFoundError`；原因——pickle 协议可注入任意代码（`__reduce__`\u002F`__setstate__`），torch.load 底层就是 pickle，恶意模型是投毒载荷载体；对策——**安全提示：未知模型绝不直接 `torch.load`**；先 `unzip -l`\u002F`xxd`\u002F`strings` 粗查（zip 头 PK vs 裸 pickle、条目有无可疑模块名），用 `weights_only=True`（PyTorch 2.6+ 默认）加载，需要全功能加载时在隔离环境（[[re-sandbox]]）执行；可转 safetensors 的样本直接转（纯数据无代码执行）\n- **图优化混淆层结构**：现象——onnx-simplifier\u002FTensorRT\u002Fonnxruntime 优化后的模型算子序列与训练态对不上（Conv+BN 融合成一个 Conv、常量折叠、名字全改），结构相似度误判；原因——优化器做算子融合\u002F常量折叠，图结构与训练态不同，producer 字段会变；对策——先读 `m.producer_name`\u002F`m.producer_version` 识别优化器与版本（融合 ConvBN 的特征：BN 层消失且 scale 并入 conv 权重）；架构比较前先规范化算子序列（按算子类别抽象，忽略名字与常量差异）；可用 onnx-simplifier\u002Fonnxruntime `graph_optimization_level` 对比优化前后 diff 还原原始层\n- **水印鲁棒性（剪枝后仍存）**：现象——精确值比对未命中就下\"无水印\"结论，或两个无关模型在个别层数值巧合相似被误判\"窃取\"；原因——鲁棒水印经剪枝\u002F量化\u002F重训练后仍存活（设计目标），精确匹配必漏；正常模型同架构同数据权重分布相似，单层巧合是假阳性；对策——水印检测用\"统计异常\"（低比特位扰动\u002F数值分布特异层）而非\"精确相等\"，窃取判定用多维度证据 + 阈值（步骤 5 纪律），结论标注置信度与证据强度\n",{"name":5,"description":24,"capabilities":25},"AI 模型文件逆向与静态分析：ONNX\u002FPyTorch\u002FSafetensors\u002FTFLite 格式解析、 网络结构还原、权重提取、文件级水印分析（权重 pattern\u002Fmetadata\u002Ftensor hash\u002Fembedding 异常）。 触发词：模型文件、权重提取、ONNX解析、safetensors、pth分析、pt文件、模型结构还原、文件级水印\n",[26],"ai-model-analysis","main","1977504515d3f5fa8889da43974feb7a0f4eaab9",".claude\u002Fskills\u002Fre-ai-model",43,"https:\u002F\u002Fgithub.com\u002Fdslsdzc\u002Frev-skills","https:\u002F\u002Fgithub.com\u002Fdslsdzc","Building systems from scratch","2026-10-12 04:15:49",{"source":8,"skillName":5,"commands":36,"prompt":46,"zipAvailable":47},[37,40,43],{"tool":38,"command":39},"npx","npx skills add dslsdzc\u002Frev-skills --skill re-ai-model",{"tool":41,"command":42},"bunx","bunx skills add dslsdzc\u002Frev-skills --skill re-ai-model",{"tool":44,"command":45},"pnpm","pnpm dlx skills add dslsdzc\u002Frev-skills --skill re-ai-model","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fdslsdzc\u002Frev-skills\u002Fblob\u002Fmain\u002F.claude\u002Fskills\u002Fre-ai-model\u002FSKILL.md",true,[],[50,57,63,70,77,84],{"skillNo":51,"name":52,"nameZh":6,"description":53,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":54,"categories":55,"keywords":56,"publishedAt":19},"01M7AT3SFGN6KTM2DBN8TCNC4K","no-tools","缺工具准备章节。missing tools section.","https:\u002F\u002Fgithub.com\u002Fdslsdzc\u002Frev-skills\u002Fblob\u002Fmain\u002Ftests\u002Ffixtures\u002Fno-tools\u002FSKILL.md",[],[],{"skillNo":58,"name":59,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":60,"categories":61,"keywords":62,"publishedAt":19},"01M7AT3PY0QVB4A4WGAZHY43WP","good-skill","https:\u002F\u002Fgithub.com\u002Fdslsdzc\u002Frev-skills\u002Fblob\u002Fmain\u002Ftests\u002Ffixtures\u002Fgood-skill\u002FSKILL.md",[],[],{"skillNo":64,"name":65,"nameZh":6,"description":66,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":67,"categories":68,"keywords":69,"publishedAt":19},"01M7AT3NJ1PG8DR115AMJC1Q1C","gateway-skill","网关型技能，无工具准备章节。gateway skill.","https:\u002F\u002Fgithub.com\u002Fdslsdzc\u002Frev-skills\u002Fblob\u002Fmain\u002Ftests\u002Ffixtures\u002Fgateway-skill\u002FSKILL.md",[],[],{"skillNo":71,"name":72,"nameZh":6,"description":73,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":74,"categories":75,"keywords":76,"publishedAt":19},"01M7AT3KCJGZV60PKJX244V8Z4","broken-link","含死链接与合法 references 链接。broken link.","https:\u002F\u002Fgithub.com\u002Fdslsdzc\u002Frev-skills\u002Fblob\u002Fmain\u002Ftests\u002Ffixtures\u002Fbroken-link\u002FSKILL.md",[],[],{"skillNo":78,"name":79,"nameZh":6,"description":80,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":81,"categories":82,"keywords":83,"publishedAt":19},"01M7AT3HMVTA2MR66A5FMATVFQ","wrong-name","名字与目录不符。name mismatch.","https:\u002F\u002Fgithub.com\u002Fdslsdzc\u002Frev-skills\u002Fblob\u002Fmain\u002Ftests\u002Ffixtures\u002Fbad-name\u002FSKILL.md",[],[],{"skillNo":85,"name":86,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":87,"categories":88,"keywords":89,"publishedAt":19},"01M7AT3F4K5ES6N62092Y8TRNG","bad-frontmatter","https:\u002F\u002Fgithub.com\u002Fdslsdzc\u002Frev-skills\u002Fblob\u002Fmain\u002Ftests\u002Ffixtures\u002Fbad-frontmatter\u002FSKILL.md",[],[]]