看到而不暴露：开放世界、上下文相关的 MLLM 的自适应隐私控制

多式联运 大语言模型 (MLLM) 提出了新的隐私挑战。在数据方面，用户提供的输入通常包含不可预测的敏感信息；而在下游任务方面，模型推理依赖于丰富的视觉上下文，而这些视觉上下文本身可能是隐私敏感的。然而，现有的隐私保护方法依赖于预定义的敏感类别和固定的混淆策略，难以应对 MLLM 中的此类挑战。为了解决这个困境，我们提出了锚定隐私漂移（APD），这是一种 无需训练 方法，它将隐私敏感元素转向语义上等效的替代方案，同时将上下文线索锚定到源图像。为了系统地评估隐私保护和情境保存的双重目标，我们引入了 AdaptShield，这是一个涵盖 22 个隐私类别的综合基准，它将传统隐私指标与基于 MLLM 的情境效用评估相结合。大量实验表明，我们的方法在隐私清理和内容保留方面实现了均衡改进，在四个 MLLM 系列（即 Qwen2.5、Qwen3、InternVL3 和 InternVL3.5）中，文本类别的平均增益为 10.4%，基于 MLLM 的评估平均增益为 8.5%。