DPOison-VL：视觉语言DPO的干净偏好投毒攻击

2026年10月15日，arXiv 人工智能板块出现一篇报道，介绍名为 DPOison-VL 的方法，称其为首个针对视觉语言模型 DPO（VLM-DPO）的干净偏好投毒攻击。据该报道，该方法仅对少量训练图像施加不可感知扰动，即可在不改动提示词、回答和偏好标注的情况下操纵模型对齐；其将投毒构造建模为双层优化，并提出偏好位移分数用于投毒样本选择。报道称，在仅 2% 投毒数据下，该方法实现最高 98% 攻击成功率，且具备跨模型迁移性，同时基本保持干净准确率与通用能力。上述数字与效果均来自该报道的表述，尚无其他来源独立证实。事件目前仅有这一篇报道，后续进展有待跟进。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。