通过视觉模态越狱视觉语言模型

视觉语言模型 (VLM) 的视觉形态是绕过安全对齐的未经充分探索的攻击面。我们介绍了利用视觉组件的四种越狱攻击：（1）使用解码图例将有害指令编码为视觉符号序列，（2）用良性替代品（例如，炸弹 -> 香蕉）替换有害对象，然后使用替代术语提示有害行为，（3）用良性单词替换图像中的有害文本（例如，书籍封面），同时视觉上下文保留原始含义，以及（4）视觉类比谜题，其解决方案需要推断禁止的概念。通过对六个前沿 VLM 进行评估，我们的视觉攻击绕过了安全对齐并暴露了跨模态对齐差距：基于文本的安全训练不会自动推广到视觉传达的有害意图。例如，我们的视觉密码在 Claude-Haiku-4.5 上的攻击成功率为 40.9%，而同等文本密码的攻击成功率为 10.7%。为了进一步了解攻击机制，我们提出了初步的可解释性和缓解结果。这些发现强调，稳健的 VLM 调整需要将视力视为一流的安全目标 后训练。