研究受控拆解图像到文本越狱中图像属性的作用
固定有害指令,单轴归因图像到文本越狱的图像属性
- arXiv
- 2610.07009
- Published
- Layer
- Prompt layer
- Setting
- Models and APIs
- Evaluated models
- GPT-4o, Claude Sonnet 4.5, Qwen3-VL-8B-Instruct and others6
- AttacksJailbreaks
- ComponentVision
Abstract固定文本的图像越狱拆解,只在 Qwen 上给出一条有界相关性归因。