本文研究视频大语言模型（VideoLLMs）在安全攸关场景（如内容审核、视频分析）中面临的观察级攻击（observation-level attacks）防御问题。VideoLLMs 为高效处理长视频，通常依赖帧采样、令牌压缩和模态融合等组成的观测流水线，将原始视频压缩为紧凑的内部表示。已有的观察级攻击可利用该流水线，使模型无法感知有害内容，但目前尚无专门针对此类威胁设计的防御方法。为此，作者提出 DefTEval，一个受控评估框架，系统性地检验输入级对抗防御（即对已采样帧的像素内容进行操作的防御）能否缓解观察级攻击。在五个 VideoLLM、十一种代表性防御方法和五种攻击类型下，实验发现输入级防御提供的保护有限且不一致，有害内容检出率常接近零。关键的是，即使攻击将有害信号嵌入每个采样帧，防御仍然失效，说明瓶颈不仅在于采样遗漏，还在于进入模型的信号被抑制。令牌压缩会丢弃局部特征，而模态融合会系统地降低被削弱的视觉信号的权重。此外，防御有效性主要由模型架构决定，而非防御方法本身；且不同内容类别间的检出率差异巨大，暴露了时间推理的结构性弱点。这些发现表明，保护 VideoLLM 需要系统级鲁棒性机制，涵盖感知采样的覆盖保证、安全相关特征的令牌级保留以及模态平衡的融合。本文适合关注多模态大模型安全、对抗鲁棒性以及视频内容审核系统的安全研究者、蓝队工程师和模型开发者阅读。