揭开大语言模型的脆弱面：对抗攻击研究综述（四）

针对多模态模型的对抗性攻击。这类模型不仅接受文本输入，还能处理图像、音频等多种模态信息。近年来，大量大语言模型（LLM）被扩展为多模态版本，例如支持文本+图像、视频、音频、深度图甚至热成像等输入。尽管这些能力打开了众多创新应用的大门，但也带来了显著的安全隐患。可以将这种扩展类比为给房子增加更多门窗——虽然便利了进出，却也无意中为攻击者提供了更多入侵路径。多模态模型通常会将不同模态的输入融合为一个联