待验证50% 置信事实精确时间

多模态大语言模型（MLLMs）在面对可迁移对抗样本时依然脆弱，尤其是在黑盒攻击场景下

1

来源数

50%

置信度

长期有效

时效性

2026/10/7

首次发现

来源

IAU-FOA：突破闭源多模态大模型的可迁移对抗攻击新方法

涉及实体

多模态大语言模型concept 可迁移对抗样本concept

相关事实

待验证过早将事故交接给ML团队会引入危险的空窗期，交接过程可能丢失上下文，而'看起来像模型问题'的判断未必准确，很多最终被证明是数据管道或serving配置导致64% 相似待验证MLOps的核心挑战在于模型漂移问题：随着现实数据分布随时间变化，模型预测准确率会逐渐下降62% 相似待验证对于快速演进、文档覆盖相对有限的云安全新特性，大语言模型的训练数据往往存在滞后62% 相似待验证在引入LLM网关的五项顾虑中，质量的不可控和调试的黑盒化往往最先成为否决项62% 相似待验证大语言模型在分析 VMP 保护代码时面临超长上下文依赖和训练数据稀缺的双重困难60% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/983377

API

curl https://kongchang.com/api/v1/knowledge/claims/983377

MCP

get_claim(id=983377)