Januscape: Guest-to-Host Escape in KVM/x86 [CVE-2026-53359] https://github.com/V4bel/Januscape
GitHub
GitHub - V4bel/Januscape
Contribute to V4bel/Januscape development by creating an account on GitHub.
开源版本号：最低 v1.0.0-rc.18，建议版本v1.0.0-rc.19
horizon版本号：>= 0.6.0-rc.6
此次修复与支付无关，将涉及到所有的用户，请更新后对异常增长的账户，余额进行复核，必要时处置。
请尽量扩散消息，让所有用户更新。
具体原因看图
Minecraft 模组 Litematica（投影）和 Servux 的 Fabric 1.21+ 版本被发现存在一个严重漏洞，允许恶意攻击者利用以实现任意文件写入，进而实现任意代码执行。
如你可能受影响，请立刻前往 Modrinth 下载并安装最新版本。在更新模组前，不要加入你不信任的服务器 / 多人联机房间、使用来历不明或未经审核的原理图。
不受影响：
没有安装投影或 Servux；
用不到投影或 Servux（删除即可）；
可能受影响：
使用整合包（例如 XPlus 的 Fabric 版本）；
在运营服务器，且安装了投影和 / 或 Servux；
有加入多人游戏并使用投影的需求；
在单人游戏中加载原理图。
受影响的版本如下（只有 Fabric 版本存在漏洞）：
1.21 到 1.21.1：低于 0.19.61
1.21.2 到 1.21.3：低于 0.20.9
1.21.4：低于 0.21.7
1.21.5：低于 0.22.5
1.21.6 到 1.21.8：低于 0.23.7
1.21.9 到 1.21.10：低于 0.24.8
1.21.11：低于 0.26.11
26.1.x：低于0.27.9
26.2：低于 0.28.3
低于 1.21 或非 Fabric 的版本不受影响。
此外，务必谨慎从互联网下载来历不明或未加审核的原理图文件和存档，它们很可能会利用这一漏洞危害你的信息安全。
https://www.reddit.com/r/litematica/comments/1up8uqk/important_announcement_litematica_vulnerability/
如你可能受影响，请立刻前往 Modrinth 下载并安装最新版本。在更新模组前，不要加入你不信任的服务器 / 多人联机房间、使用来历不明或未经审核的原理图。
不受影响：
没有安装投影或 Servux；
用不到投影或 Servux（删除即可）；
可能受影响：
使用整合包（例如 XPlus 的 Fabric 版本）；
在运营服务器，且安装了投影和 / 或 Servux；
有加入多人游戏并使用投影的需求；
在单人游戏中加载原理图。
受影响的版本如下（只有 Fabric 版本存在漏洞）：
1.21 到 1.21.1：低于 0.19.61
1.21.2 到 1.21.3：低于 0.20.9
1.21.4：低于 0.21.7
1.21.5：低于 0.22.5
1.21.6 到 1.21.8：低于 0.23.7
1.21.9 到 1.21.10：低于 0.24.8
1.21.11：低于 0.26.11
26.1.x：低于0.27.9
26.2：低于 0.28.3
低于 1.21 或非 Fabric 的版本不受影响。
此外，务必谨慎从互联网下载来历不明或未加审核的原理图文件和存档，它们很可能会利用这一漏洞危害你的信息安全。
https://www.reddit.com/r/litematica/comments/1up8uqk/important_announcement_litematica_vulnerability/
Reddit
From the litematica community on Reddit
Explore this post and more from the litematica community
我有一百个问题想问你。
1、Attention机制中QKV矩阵的核心作用是什么？
2、分布式训练中参数服务器的工作原理？
3、装饰器如何实现函数参数的动态修改？
4、智能体自主决策的关键逻辑链条是什么？
5、Transformer架构中LayerNorm的位置为何重要？
6、深度学习中梯度消失的本质原因及解决方案？
7、迭代器协议的实现需要满足哪些条件？
8、多智能体系统中协作与竞争的平衡策略？
9、预训练数据的质量评估有哪些核心指标？
10、闭包在实际开发中能解决哪些问题？
11、大模型量化压缩中INT8与FP16的性能差异？
12、工具调用时智能体如何解析用户隐性需求？
13、上下文管理器的exit方法返回值的意义？
14、模型并行与数据并行的适用场景分界线？
15、metaclass如何控制类的创建过程？
16、智能体的长期记忆与短期记忆如何协同？
17、tokenization中subword分词的优势是什么？
18、多线程编程中死锁的产生条件及避免方法？
19、少样本学习中提示词设计的关键原则？
20、slots属性对类实例内存占用的影响？
21、智能体处理任务冲突时的优先级算法？
22、预训练目标函数中掩码语言模型的作用？
23、深拷贝与浅拷贝在嵌套数据结构中的表现？
24、跨模态模型如何实现不同数据类型的对齐？
25、asyncio的事件循环如何调度协程任务？
26、智能体的技能迁移在陌生环境中如何实现？
27、大模型幻觉现象的主要诱因有哪些？
28、函数装饰器与类装饰器的执行时机差异？
29、Transformer中位置编码的常见实现方式及优缺点？
30、Python中GIL对多线程性能的影响及规避方案？
31、多智能体系统中角色分工的核心设计原则？
32、深度学习中BatchNorm在训练和推理阶段的行为差异？
33、大模型推理中批处理如何优化吞吐量？
34、上下文管理器中enter与exit的执行流程？
35、智能体如何处理工具调用的错误与异常？
36、预训练数据清洗中如何过滤低质量文本？
37、模型量化中对称量化与非对称量化的区别？
38、Python中描述符协议的实现条件？
39、多智能体通信中消息格式的设计要点？
40、深度学习中梯度爆炸的解决方案有哪些？
41、大模型中MoE架构的门控机制如何工作？
42、装饰器如何保留原函数的元信息？
43、智能体反思机制如何提升任务完成质量？
44、Python中yield关键字与迭代器的关系？
45、跨模态预训练中图文匹配损失的作用？
46、分布式训练中Ring-AllReduce的通信效率优势？
47、大模型解码策略中Top-k与Top-p的适用场景？
48、Python中多重继承的MRO规则？
49、智能体长期记忆的存储与检索方式有哪些？
50、预训练中学习率预热的作用？
51、大模型微调中SFT与RLHF的阶段目标差异？
52、Python中getattr与getattribute的区别？
53、多智能体系统中一致性算法的作用？
54、深度学习中Dropout的工作原理及训练/推理差异？
55、大模型上下文窗口扩展的常见技术路径？
56、闭包中变量的绑定时机是什么？
57、智能体规划模块中常用的搜索算法有哪些？
58、Python中*args与**kwargs的使用场景与限制？
59、跨模态模型如何处理模态间的语义鸿沟？
60、分布式训练中梯度累积的适用场景？
61、大模型的困惑度如何反映模型性能？
62、Python中垃圾回收的引用计数机制及缺陷？
63、智能体如何平衡探索与利用？
64、预训练数据中领域自适应数据的作用？
65、模型并行中张量并行与流水线并行的适用场景？
66、Python中上下文管理器的常见使用场景？
67、多智能体系统中联邦学习的应用价值？
68、深度学习中权重初始化的常见方法及原理？
69、大模型推理中KV缓存的优化技巧？
70、Python中装饰器链的执行顺序是怎样的？
71、智能体如何维护对话上下文的一致性？
72、预训练中MLM与CLM两种目标的核心差异？
73、模型量化中量化误差的主要来源？
74、Python中super()函数在多重继承中的行为？
75、多智能体协作中任务分解的核心策略？
76、深度学习中过拟合的识别与缓解方法？
77、大模型中SwiGLU激活函数的优势？
78、Python中迭代器与生成器的性能差异？
79、智能体工具链编排的核心原则？
80、预训练数据中去重的常见方法？
81、分布式训练中参数服务器架构的优缺点？
82、Python中类装饰器的实现方式与适用场景？
83、多智能体系统中冲突解决的常见机制？
84、深度学习中损失函数的选择依据是什么？
85、大模型对齐中RLHF的主要挑战？
86、Python中slots如何节省内存？
87、智能体短期记忆的更新与淘汰策略？
88、你爱我吗？愿意接受我的所有不堪吗？
89、模型并行中流水线并行的气泡问题如何缓解？
90、Python中描述符如何实现属性的访问控制？
91、多智能体系统中知识共享的实现方式？
92、深度学习中批量归一化的内部计算过程？
93、大模型幻觉问题的缓解方法有哪些？
94、Python中闭包变量的生命周期管理？
95、智能体在复杂任务中的分层规划策略？
96、预训练数据中领域偏移的影响及应对？
97、模型量化中INT4量化的挑战与优化？
98、Python中asyncio协程的调度与切换机制？
99、多智能体系统中激励机制的设计原则？
100、Transformer中多头注意力的头数选择依据是什么？
1、Attention机制中QKV矩阵的核心作用是什么？
2、分布式训练中参数服务器的工作原理？
3、装饰器如何实现函数参数的动态修改？
4、智能体自主决策的关键逻辑链条是什么？
5、Transformer架构中LayerNorm的位置为何重要？
6、深度学习中梯度消失的本质原因及解决方案？
7、迭代器协议的实现需要满足哪些条件？
8、多智能体系统中协作与竞争的平衡策略？
9、预训练数据的质量评估有哪些核心指标？
10、闭包在实际开发中能解决哪些问题？
11、大模型量化压缩中INT8与FP16的性能差异？
12、工具调用时智能体如何解析用户隐性需求？
13、上下文管理器的exit方法返回值的意义？
14、模型并行与数据并行的适用场景分界线？
15、metaclass如何控制类的创建过程？
16、智能体的长期记忆与短期记忆如何协同？
17、tokenization中subword分词的优势是什么？
18、多线程编程中死锁的产生条件及避免方法？
19、少样本学习中提示词设计的关键原则？
20、slots属性对类实例内存占用的影响？
21、智能体处理任务冲突时的优先级算法？
22、预训练目标函数中掩码语言模型的作用？
23、深拷贝与浅拷贝在嵌套数据结构中的表现？
24、跨模态模型如何实现不同数据类型的对齐？
25、asyncio的事件循环如何调度协程任务？
26、智能体的技能迁移在陌生环境中如何实现？
27、大模型幻觉现象的主要诱因有哪些？
28、函数装饰器与类装饰器的执行时机差异？
29、Transformer中位置编码的常见实现方式及优缺点？
30、Python中GIL对多线程性能的影响及规避方案？
31、多智能体系统中角色分工的核心设计原则？
32、深度学习中BatchNorm在训练和推理阶段的行为差异？
33、大模型推理中批处理如何优化吞吐量？
34、上下文管理器中enter与exit的执行流程？
35、智能体如何处理工具调用的错误与异常？
36、预训练数据清洗中如何过滤低质量文本？
37、模型量化中对称量化与非对称量化的区别？
38、Python中描述符协议的实现条件？
39、多智能体通信中消息格式的设计要点？
40、深度学习中梯度爆炸的解决方案有哪些？
41、大模型中MoE架构的门控机制如何工作？
42、装饰器如何保留原函数的元信息？
43、智能体反思机制如何提升任务完成质量？
44、Python中yield关键字与迭代器的关系？
45、跨模态预训练中图文匹配损失的作用？
46、分布式训练中Ring-AllReduce的通信效率优势？
47、大模型解码策略中Top-k与Top-p的适用场景？
48、Python中多重继承的MRO规则？
49、智能体长期记忆的存储与检索方式有哪些？
50、预训练中学习率预热的作用？
51、大模型微调中SFT与RLHF的阶段目标差异？
52、Python中getattr与getattribute的区别？
53、多智能体系统中一致性算法的作用？
54、深度学习中Dropout的工作原理及训练/推理差异？
55、大模型上下文窗口扩展的常见技术路径？
56、闭包中变量的绑定时机是什么？
57、智能体规划模块中常用的搜索算法有哪些？
58、Python中*args与**kwargs的使用场景与限制？
59、跨模态模型如何处理模态间的语义鸿沟？
60、分布式训练中梯度累积的适用场景？
61、大模型的困惑度如何反映模型性能？
62、Python中垃圾回收的引用计数机制及缺陷？
63、智能体如何平衡探索与利用？
64、预训练数据中领域自适应数据的作用？
65、模型并行中张量并行与流水线并行的适用场景？
66、Python中上下文管理器的常见使用场景？
67、多智能体系统中联邦学习的应用价值？
68、深度学习中权重初始化的常见方法及原理？
69、大模型推理中KV缓存的优化技巧？
70、Python中装饰器链的执行顺序是怎样的？
71、智能体如何维护对话上下文的一致性？
72、预训练中MLM与CLM两种目标的核心差异？
73、模型量化中量化误差的主要来源？
74、Python中super()函数在多重继承中的行为？
75、多智能体协作中任务分解的核心策略？
76、深度学习中过拟合的识别与缓解方法？
77、大模型中SwiGLU激活函数的优势？
78、Python中迭代器与生成器的性能差异？
79、智能体工具链编排的核心原则？
80、预训练数据中去重的常见方法？
81、分布式训练中参数服务器架构的优缺点？
82、Python中类装饰器的实现方式与适用场景？
83、多智能体系统中冲突解决的常见机制？
84、深度学习中损失函数的选择依据是什么？
85、大模型对齐中RLHF的主要挑战？
86、Python中slots如何节省内存？
87、智能体短期记忆的更新与淘汰策略？
88、你爱我吗？愿意接受我的所有不堪吗？
89、模型并行中流水线并行的气泡问题如何缓解？
90、Python中描述符如何实现属性的访问控制？
91、多智能体系统中知识共享的实现方式？
92、深度学习中批量归一化的内部计算过程？
93、大模型幻觉问题的缓解方法有哪些？
94、Python中闭包变量的生命周期管理？
95、智能体在复杂任务中的分层规划策略？
96、预训练数据中领域偏移的影响及应对？
97、模型量化中INT4量化的挑战与优化？
98、Python中asyncio协程的调度与切换机制？
99、多智能体系统中激励机制的设计原则？
100、Transformer中多头注意力的头数选择依据是什么？
（⚠️注意：本次售票后将不再支持退票，大家一定确认好行程再下手哦～同时因coser审核不满足审核周期以及确保BW乐园权益，第三轮开票将默认非coser票，请大家谅解。）
小伙伴别忘了调好闹钟，提前准备好实名信息⏰。祝各位都能抢到心仪的场次，我们BW现场见哔哩~
为让用户有更多的绑定时间，预约活动再次延后，安排如下
预约中心：预约场次将在 7月8日 下午16:00 起在【BW乐园】预约中心陆续开放预约，详细时间表可查看下方长图。仅购票用户可参加（不包含证件及邀请函），预约资格不支持转售、转赠，请勿在非官方平台操作或购买，以免造成经济损失。
园长再次为临时变动给大家带来的不便致歉，非常感谢小伙伴们的理解和耐心等待。
小伙伴别忘了调好闹钟，提前准备好实名信息⏰。祝各位都能抢到心仪的场次，我们BW现场见哔哩~
为让用户有更多的绑定时间，预约活动再次延后，安排如下
预约中心：预约场次将在 7月8日 下午16:00 起在【BW乐园】预约中心陆续开放预约，详细时间表可查看下方长图。仅购票用户可参加（不包含证件及邀请函），预约资格不支持转售、转赠，请勿在非官方平台操作或购买，以免造成经济损失。
园长再次为临时变动给大家带来的不便致歉，非常感谢小伙伴们的理解和耐心等待。
