Tag · 3 篇

越狱防御

SafeLogo: Turning Your Logos into Jailbreak Shields via Micro-Regional Adversarial Training

把极小区域（≤2% 像素）的可学习视觉提示词当作通用防御补丁，用 min-max 对抗训练在内外循环中动态挑选最强越狱攻击，为 VLM 安全对齐提供了一种无需全模型微调、可复用的轻量防御范式。

Evolving Contextual Safety in Multi-Modal Large Language Models via Inference-Time Self-Reflective Memory

提出上下文安全基准 MM-SafetyBench++ 和免训练框架 EchoSafe，通过自反思记忆库在推理时积累和检索安全经验，为视觉语言模型的安全对齐提供可复用的推理时自适应思路。

Dictionary-Aligned Concept Control for Safeguarding Multimodal LLMs

对做多模态视觉语言模型的人，这篇给出了一个推理时无需重训的激活干预方案：用图像-描述刺激构建的概念词典初始化 SAE，并对 SAE 原子自动语义标注，从而在冻结模型上做细粒度概念级引导，可直接迁移到视觉模型的安全对齐或概念编辑。