本文针对AI系统在安全、金融、医疗等领域广泛部署后所面临的模型逃逸攻击问题，指出传统基于攻击者知识（白盒、灰盒、黑盒）的分类方法忽视了不同部署接口实际暴露信息信号（如仅输出最终决策、置信分数、中间表示或完整参数）对攻击能力的影响。作者提出了基于信号驱动的模型访问风险分类框架（SMART），该框架以部署场景为导向，根据AI系统返回信息信号的类型与丰富程度（从有限到充分）对攻击者访问级别进行精细化划分。在此框架下，文章系统梳理了从最低信息暴露（仅观察硬分类输出）到最高暴露（完全白盒）各层级上逃逸攻击的策略演变，分析了各层级下攻击者所能实现的能力边界（如扰动幅度、成功率、迁移性等）。该工作旨在帮助安全工程师、AI系统采购方和运营方理解不同部署配置所引入的实际风险，从而做出更安全的模型部署与第三方模型采购决策。本文属于概念性研究论文，尚未提供具体攻击实验或检测方法验证。