OrchJail：通过编排引导的模糊测试破解工具调用文本到图像智能体

工具调用型文本到图像（T2I）智能体能规划并执行多步工具链以完成复杂任务，但这引入了新的安全攻击面：有害输出可能源于工具编排，即单独无害的步骤组合成不安全结果。本文提出 OrchJail，一种编排引导的模糊测试框架。其核心是利用高风险工具编排模式，通过学习成功越狱的工具调用轨迹及其与提示词的因果关系，直接引导模糊搜索指向更可能触发不安全多步行为的提示，而非依赖表面文本扰动。实验表明，该方法在多个代表性智能体上显著提升了越狱效果与效率。