arXiv 2026年9月30日该工作在白盒威胁模型下，将源图像各流与目标图像对应流在受害视觉语言模型合并后的 token 空间中对齐，并在严格成功标准（同时命名目标、确认其存在、否认源）下评估，发现图像在 ε=2/255 时出现目标语义、ε=4/255 时完整替换达 38%，视频在 ε=1/255 时完整替换达 35.9%，同时观察到语义融合现象。该工作在白盒威胁模型下，将源图像各流与目标图像对应流在受害视觉语言模型合并后的 token 空间中对齐，并在严格成功标准（同时命名目标、确认其存在、否认源）下评估，发现图像在 ε=2/255 时出现目标语义、ε=4/255 时完整替换达 38%，视频在 ε=1/255 时完整替换达 35.9%，同时观察到语义融合现象。在 ε≤4/255 的扰动预算内，针对视觉语言模型的定向语义替换可让模型命名目标、确认其存在并否认源内容，图像完整替换率达 38%、视频达 35.9%该工作在白盒威胁模型下，将源图像各流与目标图像对应流在受害视觉语言模型合并后的 token 空间中对齐，并在严格成功标准（同时命名目标、确认其存在、否认源）下评估，发现图像在 ε=2/255 时出现目标语义、ε=4/255 时完整替换达 38%，视频在 ε=1/255 时完整替换达 35.9%，同时观察到语义融合现象。该工作在白盒威胁模型下，将源图像各流与目标图像对应流在受害视觉语言模型合并后的 token 空间中对齐，并在严格成功标准（同时命名目标、确认其存在、否认源）下评估，发现图像在 ε=2/255 时出现目标语义、ε=4/255 时完整替换达 38%，视频在 ε=1/255 时完整替换达 35.9%，同时观察到语义融合现象。