本文研究协作推理场景下大型视觉-语言模型（LVLM）的隐私泄露问题。协作推理通常将模型计算划分为边缘设备和云端两部分，边缘端保留原始输入，云端处理中间层隐藏状态，这种做法被认为可以保护隐私。然而，作者指出传输中间隐藏状态实际上暴露了严重的攻击面：尽管视觉内容已被投影到语言嵌入空间，深层LVLM隐藏状态中仍可能保留可恢复的私有信息。作者首先从理论上分析了隐藏状态的可恢复性，证明在正则性假设和正语义-噪声边界条件下，与隐私相关的视觉语义信息仍可被识别并稳定恢复。基于此理论分析，他们提出了一种名为RASR的新型多模态重建攻击。RASR通过分别反转图像和文本的正向处理流程，利用模态特定的逆路径获得初始的粗略重建，然后利用隐藏状态一致性对图像和文本重建进行精细化迭代优化。在Qwen3-VL-8B-Instruct和LLaVA-1.5-7B两个模型以及五个数据集上的实验表明，RASR相比最强基线将图像重建MSE降低了约50%，文本恢复的token准确率最高可达99%。这些结果证实，即使从深层LVLM隐藏状态中也能恢复出隐私敏感的视觉和文本信息，从而揭示协作推理的严重隐私风险。本文的核心贡献在于：首次对LVLM隐藏状态的可恢复性进行了理论分析；提出一种高效的粗到细重建攻击方法；并通过实验验证了攻击的有效性。适合关注边缘计算、隐私安全、大型多模态模型安全的研究人员和系统设计者阅读。