当图像思维遇见安全：什么决定了多模态越狱的鲁棒性？

图像思维推理已成为大型视觉语言模型的新推断范式，但其安全性尚不明确。本文评估了多种处理设计（如直接生成、纯文本前置、视觉状态操控及显式外部图像工具调用）对多模态越狱鲁棒性的影响。实验发现，显式图像工具交互能显著降低攻击成功率（平均相对减少约 30%）。研究提出“图像工具安全向量”框架，将该交互建模为隐藏表示向安全方向的残差偏移，并通过表征分析与激活干预验证了这一机制，表明该设计是提升越狱鲁棒性的有效途径。