超越视觉安全：用语义无关输入越狱多模态大语言模型生成有害图像
Beyond Visual Safety: Jailbreaking Multimodal Large Language Models for Harmful Image Generation via Semantic-Agnostic Inputs
AI 导读
研究者提出名为 BVS 的图像-文本对越狱框架，用于探测多模态大语言模型的视觉安全边界，在 GPT-5（2026 年 1 月 12 日版本）上取得 98.21% 的越狱成功率。该框架采用“重建后生成”策略，通过中性化视觉拼接与归纳重组把恶意意图与原始输入解耦，诱导模型生成有害图像。作者称结果暴露了当前多模态模型视觉安全对齐的关键漏洞。