本文提出 MemCatalyst，一套面向视觉-语言模型（VLM）的数据投毒工具，旨在增强数据审计（尤其是成员推理攻击）的有效性。研究背景是：VLM 依赖海量互联网数据训练，数据持有人（如艺术家）迫切需要确认自己的数据是否被未经授权用于模型训练，这涉及知识产权与个人隐私。成员推理（MI）作为一种直接的数据审计手段受到关注，但其在 VLM 上的表现往往不够理想。MemCatalyst 的核心思路是：通过在训练数据中注入精心构造的对抗样本，迫使 VLM 在训练时过度学习图像特征与文本语义之间的特定不一致性，从而使模型对个别样本的“记忆”更强，进而提高成员推理的成功率。具体包含两种策略：文本投毒（PT）和图像投毒（PI）。作者还证明了中毒样本在不同 VLM 架构之间具有迁移性，能在黑盒设置下有效工作。实验基于两个主流 VLM 和五种先进的数据审计方法，结果表明 MemCatalyst 能以极小的中毒样本预算显著提升 MI 的 AUC 分数，同时几乎不损害模型的正常性能。本文的主要贡献在于：首次系统性地利用数据投毒来放大 VLM 的数据审计信号，为数据持有人提供了一种更强大的审计工具；同时揭示了 VLM 训练过程中对不一致特征的过度记忆风险，对模型安全与隐私保护具有重要启示。适合关注数据隐私、模型审计、对抗攻击与防御的研究人员、安全工程师以及 AI 治理从业者阅读。