StructBreak：MLLM中结构认知过载引发的安全失效

多模态大语言模型（MLLM）擅长结构推理，却在结构一致性上存在明显的逻辑脆弱性。我们将这一现象命名为结构认知过载（SCO），它是深度推理与安全对齐相互冲突的副产品。然而，已有工作主要针对排版和像素级扰动，对SCO的研究基本处于空白。为此，我们提出StructBreak，一个旨在量化SCO的自动化端到端框架。借助StructBreak，我们发现了一种新颖的高阶认知过载攻击范式；值得注意的是，该攻击在实用的黑盒设置下运行，无需访问模型内部。随后，我们利用该框架建立了一个覆盖十种多样威胁场景的综合基准。在六个领先MLLM上的实证评估显示，SCO极易触发毒性内容生成，平均攻击成功率（ASR）达92%（在Gemini 2.5上最高达97%）。为阐明SCO机制，我们进一步开展了覆盖注意力动态、潜空间拓扑和几何分析的模型层面解释。我们的研究揭示，StructBreak充当了绕过安全过滤器的新型结构通道。此外，固有安全机制效果有限，凸显现行对齐范式不足以应对复杂多模态推理的时代。