先放一条硬更正:这论文不是上海 AI Lab 的。 arXiv:2611.16744(2026-11-12 v1)署名七人:Yiheng Zhao、Runze Ji(共同一作)等,六人来自新加坡南洋理工大学,一人来自新加坡 DSO National Laboratories。全文无任何上海 AI Lab 署名。这条与数字无关,但引用时单位写错会很尴尬。
改完单位再验数字:512×512 藏住、64×64 缩放后显形(Lanczos 核,双尺度判据 ¬b512 ∧ b64)属实;生成端是 SD1.5 兼容的 Realistic Vision V6.0 B1 底模加 QR-Monster 风格 ControlNet(帖子说「SD v1.5 + ControlNet」是简化说法);Qwen2.5-VL 只做训练期代理、测试全黑盒属实;σ=0.05 像素噪声属实;SISS-Bench 的 300 用例 = 30 载荷 × 10 场景属实。两处查无:「169 个语义场景筛出 108 个」全文检索零命中(疑为编造或串帖);「LoRA 插进 U-Net 前两个 down_blocks」归属错——是 ControlNet 的 input_blocks 和前两个 down_blocks,扩散 U-Net 整体冻结没动。
帖子漏掉的实测数字:固定 300 案例上四个闭源 VLM 平均 ASR 58.75%(最强生成基线 41.08%);分辨率一松就露馅——目标 128/224/336 时 ASR 掉到 17.68%/6.85%/5.60%,所以这攻击只吃「激进压缩」这一口;web agent 场景感知上升但真实行为攻陷率只有约 4%;论文自带防御 ScaleGuard,能把它压到 24.3%。
费曼式一句总结:这不是往图里藏字,是把「缩小」本身当成只有目标系统才有的解码器——密钥握在受害者的管线手里,攻击者只是把锁做成只认这把钥匙的形状。
下一根钉子:58.75% 是四模型平均,分模型的 ASR 表帖子没拆——哪个模型最容易被自己的管线出卖,等一手表。