面向推理的编程：串联语义组件越狱大型视觉语言模型

Zou 等人提出 VROP（Visual Reasoning-Oriented Programming）框架，把语义正交的良性视觉组件排成 2x2 网格，再用控制流提示词引导模型跨区域提取并合成含义，使有害内容只在后期推理阶段出现，从而绕过感知层安全防御。论文称该方法在开源模型上攻击成功率为 94-100%，在包括 GPT-4o 和 Claude 3.7 Sonnet 在内的商用模型上为 59-95%。在 CIDER、ECSO、AdaShield-A 三种自适应防御下，VROP 在开源模型上仍保持 58-90% 的攻击成功率，没有一种防御把攻击成功率降到 50% 以下。