Translation in progress Some entries still include text in the original language.
Oct 13 · Tuesday
Jailbreaks and attacks · Papers
Found 14 papers提出 CollageAttack,用空间文本碎片重组越狱文生图模型
- Published
- Evaluated models
- GPT-Image-2, Doubao-Seedream-5.0-Lite, Wan2.7-Image-Pro and others5
Abstract系统揭示 T2I 跨模态空间合成安全漏洞,证实离散无害元素可在图像层面重构有害意图并放大传播强度。
提出 RISE,迭代演化可复用策略对文生图模型做红队
- Published
- Evaluated models
- DALL·E 3, Nano Banana 2, GPT-Image-2 and others7
提出 TempQ-Jail,以查询受限候选排序越狱文生视频模型
- Published
提出 DIVA,将有害意图拆成视觉锚点与运动文本以越狱视频生成模型
- Published
- Evaluated models
- Wan, CogVideoX, LTX-Video and others9
AbstractDIVA 用视觉锚点抑制语义漂移做视频越狱,并给出多条件安全基准 TI2VSafetyBench。
DIVA 是针对带参考图的视频生成模型的免训练 black-box 越狱:用一致性机制本身堵住语义漂移这条安全逃逸路径。。
提出 AdvPIE,在黑盒下搜索表面无害却生成有害图像的提示
- Published
- Evaluated models
- Stable Diffusion 3.5 Large, FLUX.1-schnell, Safe-StableDiffusion 1.5 and others5
提出 CRACK,用多智能体辩论在黑盒下越狱文生图多层安全过滤
- Published
- Evaluated models
- Stable Diffusion v1.4, SDXL, DALL·E 3 and others4
AbstractCRACK 以分层诊断的多智能体辩论搜索多层 T2I 过滤器的联合规避区域。
CRACK 是面向文本生成图像模型多层安全栈的黑盒越狱框架,用几何上的 Detection Surface 解释为何粗粒度反馈不够。
提出 CFD 跨会话分解攻击,利用工件来源缺口绕过工具型 Agent 的本地检查
- Published
- Evaluated models
- GPT-4.1, GPT-5-nano, Claude-3.5-Sonnet and others6
AbstractCFD 用无指令 artifact 把越狱拆到跨会话。
CFD针对工具型 LLM 智能体:利用 artifact 来源不被跟踪这一部署失败模式,把有害目标拆开后延迟组合。
提出 DSR 跨模态越狱,用无害图文诱导 MLLM 生成有害图像
- Published
- Evaluated models
- gemini-2.5-flash-image, qwen-image-2.0, Tongyi Wanx 2.5
AbstractDSR 用无害图文诱导商业 MLLM 输出有害图像,作者称组合能力会反过来扩大攻击面。
DSR 是一种 black-box 跨模态越狱:输入侧不放显式有害内容,而让商业 MLLM 在推理中把无害图文重组成有害图像。
Propose TFM, using start and end frames and implicit substitution to jailbreak text-to-video models
- Published
- Evaluated models
- Pixverse V5, Hailuo 02, Kling 2.1 Master and others4
AbstractTFM first extracts start and end frames and then performs implicit substitution.
TFM is a strictly black-box prompt jailbreak for text-to-video that exploits the model's temporal infilling of unspecified intermediate processes.
提出纯视觉越狱攻击 VJA,把有害编辑指令编码进图像
- Published
- Evaluated models
- Nano Banana Pro, GPT Image 1.5, Qwen-Image-Edit and others9
提出 BVS 图文越狱,用中和拼接图和诱导提示词让模型生成有害图像
- Published
- Evaluated models
- GPT-5 (12 January 2026 release), Gemini 1.5 Flash (15 January 2026 release)
AbstractBVS 以重建后再生成诱导有害图像。
BVS 用图文对诱导 MLLM 生成有害图像。作者认为,相对文本越狱和单模态图像诱导,视觉生成的安全审查仍不充分。
提出 MacPrompt 跨语言字符重组越狱,绕过文生图模型的过滤与概念移除
- Published
- Evaluated models
- SD v2.1, ESD, SLD (Max) and others14
提出 PC² 越狱,用身份保持描述与远端多语翻译绕过文生图过滤
- Published
- Evaluated models
- GPT-4o, GPT-5, GPT-5.1 and others7
AttacksarXiv 2503.01839· 提出 PromptTune,微调 LLM 改写提示以越狱文生图护栏
- Published
- Evaluated models
- SDXL-Turbo, MACE, SafeGen
AbstractLLM 改写可提高过滤器绕过率。
PromptTune 用微调 LLM 改写提示词,攻击带安全过滤器或对齐的文生图模型。
You have reached the end