Penny Wise，Pixel Foolish：通过视觉对抗扰动绕过多模式代理的价格约束

多式联运 大语言模型 (MLLM) 的快速扩散使移动代理能够执行高风险的金融交易，但其对抗鲁棒性仍未得到充分探索。我们发现了视觉主导幻觉（VDH），即在基于屏幕截图的价格受限环境中，难以察觉的视觉线索可以覆盖文本价格证据，并导致Agent做出非理性决策。我们提出 PriceBlind，一种隐秘的白盒对抗攻击框架，用于受控的基于屏幕截图的评估。 PriceBlind 通过语义解耦损失来利用基于 CLIP 的编码器中的模态差距，将图像嵌入与低成本、与值相关的锚点对齐，同时保持像素级保真度。在E-ShopBench上，PriceBlind在白盒评估中实现了80%左右的ASR；在简化的单轮坐标选择协议下，Ensemble-DI-FGSM 在 GPT-4o、Gemini-1.5-Pro 和 Claude-3.5-Sonnet 上的传输速度约为 35-41%。我们还表明，强大的编码器和“先验证后采取行动”防御措施可显着降低 ASR，尽管会带来一些干净准确度的权衡。