让 MLLM 失明：MLLM 内容审核中的对抗性走私攻击

多模式 大语言模型 (MLLM) 越来越多地被部署为自动内容审核者。在这种情况下，我们发现了一个严重威胁：对抗性走私攻击。与对抗性扰动（用于错误分类）和对抗性越狱（用于产生有害输出）不同，对抗性走私利用了人类与人工智能的能力差距。它将有害内容编码成人类可读的视觉格式，而人工智能仍然无法读取，从而逃避自动检测并实现有害内容的传播。我们将走私攻击分为两种途径：（1）感知失明，破坏文本识别； (2) 推理封锁，尽管文本识别成功，但仍抑制语义理解。为了评估这种威胁，我们构建了 SmuggleBench，这是第一个包含 1,700 个对抗性走私攻击实例的综合基准测试。 SmuggleBench 的评估表明，专有（例如 GPT-5）和开源（例如 Qwen3-VL）最先进的模型都容易受到这种威胁，攻击成功率 (ASR) 超过 90%。通过从感知和推理的角度分析漏洞，我们确定了三个根本原因：视觉编码器的有限能力、OCR 的鲁棒性差距以及特定领域的对抗性示例的稀缺。我们对缓解策略进行了初步探索，研究了测试时间扩展（通过 CoT）和对抗训练（通过 SFT）来缓解这一威胁的潜力。我们的代码可在 https://github.com/zhihengli-casia/smugglebench 上公开获取。