跳到正文
arXiv · 机器人与计算机视觉· Tianle Chen, Deepti Ghadiyaram·· 2026-10-12AI 评分72

跨模态排版攻击对音视频推理的系统性研究

A Systematic Study of Cross-Modal Typographic Attacks on Audio-Visual Reasoning

AI 导读

该论文系统性研究了针对语音和屏幕文本的扰动如何影响闭源与开源多模态大语言模型的推理能力。在 WorldSense 基准测试中,此类攻击将 Gemini 3.7 Flash 的攻击成功率从 9.53% 提升至 43.41%,揭示了显著的安全漏洞。

来源:arXiv · 机器人与计算机视觉 · arxiv.org