研究人员发现了一种新的 Vision-Language Models (VLMs) 漏洞,即安全对齐功能无法有效抵御被分割到多个图像片段中的有害内容。虽然 VLMs 在预训练过程中能够很好地泛化到分片图像,但它们的安全机制(通常在整体图像上训练)却无法检测到组合起来的有害语义。该研究引入了新颖的分片图像视觉越狱攻击 (SIVA),这些攻击从简单的分割逐渐演变为自适应的白盒和黑盒迁移攻击,并利用对抗性知识蒸馏 (Adv-KD) 来增强跨模型的可迁移性。评估结果表明,与现有方法相比,这些攻击在最先进的 VLMs 上取得了显著更高的成功率。 AI
影响 凸显了 VLM 安全对齐方面的一个关键差距,可能需要新的训练方法来应对分片图像攻击。
排序理由 详细介绍 VLM 新漏洞和攻击方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →