热点事件持续更新

研究：音视频模型遭跨模态排版攻击

1 篇报道1 个报道来源1 小时前更新

先了解这件事

AI 综述

一项新研究提出 Multi-Modal Typography，系统考察对语音和屏幕文字施加扰动如何影响音视频推理模型。研究称，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%。该研究由 Tianle Chen、Deepti Ghadiyaram 发表，覆盖闭源与开源模型，代码与数据将公开。

AI 根据报道生成 · 51 分钟前更新

最新进展10月12日 12:00

音频-视觉推理的跨模态排版攻击系统性研究

报道时间线

沿着报道，了解事件的不同侧面。

10月12日

12:00
arXiv cs.CV
音频-视觉推理的跨模态排版攻击系统性研究
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。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。