ERASE：擦除注入区域的多模态提示注入防御

ERASE 擦除注入区域做自蒸馏，兼顾防御与任务效用。

资讯摘要

论文提出 ERASE，一种基于同策略自蒸馏的多模态提示注入防御方法：在原始媒体中就地擦除被注入区域，用与模态匹配的空白内容替换注入内容并保留周边信息，再让读取受攻击媒体的学生模型从冻结基座模型读取擦除视图的输出中学习，提供全分布 token 级反馈。作者报告在图像、音频、视频及两种模型规模上，评估基准中观测到的攻击成功率接近零，任务效用接近无防御的干净输入水平。

要点速读

1. ERASE 通过擦除注入区域构造参考视图，避免防御同时损害模型对媒体中任务信息的利用。
2. 作者报告在 3B 音频上，ERASE 的受攻击输入准确率为 60.1%，ARGUS 为 33.1%，与无防御干净输入水平相差 0.5 个百分点以内。
3. 作者报告 3B 音频上注入依赖度从 6.26 降至 0.0095，域外准确率接近基座水平；代码将在论文被接收后公开。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。