Not the Same Protector: Deployment-Dependent Protective Intervention in LLMs
本文研究大语言模型（LLM）在不同部署条件下（语音、文本、原始 API）对用户保护性干预的一致性。作者以一个描述人际冲突后未明确严重程度的身体伤害的单一压力场景为测试用例，对四个前沿模型进行匹配输入，每条件 30 次重复，并沿五个二元保护指
#multi-modal
共收录 8 条相关情报。
← 返回所有主题Are Neuro-Inspired Multi-Modal Vision-Language Models Resilient to Membership Inference Privacy Leakage?
本文研究多模态视觉-语言模型（VLMs）在成员推断攻击（Membership Inference Attack, MIA）下的隐私泄露问题。随着智能体AI（agentic AI）的发展，多模态模型（MMs）被广泛部署，但其训练数据可能通过黑
Can I Hear Your Face? Pervasive Attack on Voice Authentication Systems with a Single Face Image.
该论文提出了一种针对语音认证系统的普遍性攻击方法，仅需受害者的单张面部照片即可成功绕过语音认证。研究动机在于当前语音认证系统虽然被广泛用于银行、智能设备等场景，但通常仅依赖声纹特征进行身份验证，忽略了语音生成过程与面部特征之间的内在关联。作
VIGIL: Verifying Identity via Gated Intermittent Likelihoods for Continuous Biometric Authentication
该论文提出了一种名为 VIGIL（Verifying Identity via Gated Intermittent Likelihoods for Continuous Biometric Authentication）的连续多模态身份认
POPS: Recovering Unlearned Multi-Modality Knowledge in MLLMs with Prompt-Optimized Parameter Shaking
该研究针对多模态大语言模型（MLLM）中的机器遗忘（Machine Unlearning）机制的安全性提出质疑。MLLM在训练时可能无意中编码了隐私敏感数据，因此多模态机器遗忘（MMU）被用于强制模型遗忘这些信息。但作者发现，当模型公开后，
DMN: A Compositional Framework for Jailbreaking Multimodal LLMs with Multi-Image Inputs
多模态大语言模型（MLLMs）在接收多图像输入时存在安全隐患。现有越狱方法仅使用单张图像，限制了攻击空间：无法将有害请求分布到多张图像、携带丰富信息或利用额外视觉推理任务分散模型注意力。本文提出一种组合式越狱框架DMN，通过分布式指令（Di
GuardSec: A Multi-Modal Web Platform for Real-Time Digital Fraud Detection, Entity Verification, and Connection Security Analysis in the African Context
在线欺诈在非洲已演变为大规模问题，但现有网络安全工具几乎不对普通公民开放，且主要针对具备稳定宽带连接的技术用户和SOC团队设计。这种不匹配并非偶然，而是研究文化长期优化基准性能、系统性地忽视可部署性、可访问性和本地威胁上下文的结果。本文提出
VulStyle: A Multi-Modal Pre-Training for Code Stylometry-Augmented Vulnerability Detection
本文提出 VulStyle，一种多模态软件漏洞检测模型，它联合编码函数级源代码、非终结符抽象语法树（AST）结构和代码风格计量（CStyle）特征。现有代码表示方法主要依赖词级模型或完整AST树，往往忽略指示风险编程习惯的风格线索，或者引入