arXiv cs.CV· Tianle Chen, Deepti Ghadiyaram·· 2 小时前AI 评分32
音频-视觉推理的跨模态排版攻击系统性研究
A Systematic Study of Cross-Modal Typographic Attacks on Audio-Visual Reasoning
AI 导读
研究提出 Multi-Modal Typography，系统考察语音与屏幕文字扰动对音频-视觉推理的影响。在 WorldSense 基准上，针对 Gemini 3.7 Flash 的攻击成功率从 9.53% 升至 43.41%；经微调缓解后，Qwen2.5-Omni-7B 的 ASR 从 60.6% 降至 52.0%。代码与数据将公开。
来源：arXiv cs.CV · arxiv.org