Skip to content
KitploitKITPLOIT
ToolsExploitsBlog
Log in
Einreichen
ToolsExploitsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

FeedsKontaktDatenschutz© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
Visco-Attack — Forschungspipeline zur Umsetzung eines visuell-kontextuellen Jailbreaks gegen multimodale LLMs: T2I-Prompt-Extraktion, SD3.5-Bildrendering, mehrrundiger Aufbau von Spoof-Kontext und GPT-4o-bewertete ASR-Evaluierung. | Kitploit
Tools/GitHubGitHub/dtc7w3pq/visco-attack
Maschinelles LernenPapers & ForschungRed TeamingKI-SicherheitAdversarial-Angriff
GitHubdtc7w3pq/visco-attack

Visco-Attack

Forschungspipeline zur Umsetzung eines visuell-kontextuellen Jailbreaks gegen multimodale LLMs: T2I-Prompt-Extraktion, SD3.5-Bildrendering, mehrrundiger Aufbau von Spoof-Kontext und GPT-4o-bewertete ASR-Evaluierung.

Repository anzeigen
311vor 7 MonatenVon Kitploit geprüft
Teilen

Visual Contextual Attack: Jailbreaking von MLLMs durch bildgesteuerte Kontextinjektion

Paper Data HF Downloads GitHub Stars

VisCo-Attack Original begründet ein visionszentriertes Angriffsparadigma und nutzt mehrere Bilder über mehrrundige Dialoge hinweg; seine maßgeschneiderten Strategien zur Kontextfabrikation erzielen eine bemerkenswert hohe Erfolgsquote gegen führende MLLMs und positionieren es als eine der stärksten Jailbreak-Methoden für MLLMs bis heute.

Wenn Sie an unserer Arbeit interessiert sind, geben Sie uns bitte einen Stern ⭐ für unser Projekt, danke 💕

⚠️ WARNUNG: Dieses Repository enthält adversariale Prompt-Techniken, die ausschließlich für Forschungs- und Sicherheitszwecke bestimmt sind.

📝 Überblick

VisCo-Attack ist unser visuell-kontextuelles Jailbreak-Framework, das im Paper „Visual Contextual Attack: Jailbreaking MLLMs with Image-Driven Context Injection“ vorgestellt wird. Anstatt ein Bild lediglich als Auslöser zu behandeln, konstruiert VisCo-Attack einen realistischen, fabrizierten mehrrundigen Dialogkontext, in dem der visuelle Input für das schädliche Szenario unerlässlich ist. Es verwebt diesen Kontext automatisch mit vier bildzentrierten Strategien – Image-Grounded Scenario Simulation (VS), Multi-Perspective Analysis (VM), Iterative Interrogation (VI) und Hallucination Exploitation (VH) – und führt anschließend eine Toxizitätsverschleierung und semantische Verfeinerung durch, um einen einzigen Angriffs-Prompt zu erzeugen. Unter einer vollständig Black-Box-Bedingung durchbricht dieser Prompt zuverlässig modernste MLLMs wie GPT-4o, Gemini 2.0 flash und InternVL-2.5 und treibt die Erfolgsquote auf 85 – 91 % auf MM-SafetyBench, FigStep-SafeBench und HarmBench, während die Toxizitätswerte über 4,7 / 5 bleiben.

Visco-Attack Method Illustration

Abbildung: Überblick über die Methode des Visual Contextual Attack (Visco-Attack).

🚀 Neuigkeiten

  • [2025/7/3] Veröffentlichung der Angriffskontexte für vier verschiedene Strategien auf MM-SafetyBench, jetzt verfügbar auf Hugging Face. Der Code wird nach Annahme des Papers veröffentlicht.
  • [2025/7/4] Unser Paper ist jetzt auf arXiv verfügbar: https://arxiv.org/abs/2507.02844.
  • [2025/7/19] SD- + Typografie-Bilder für jede neu ausgerichtete MM-SafetyBench-Probe bereitgestellt (SD-Bild oben, Schlüsselwort darunter). Nur zur Reproduktion von Baselines verwendet; nicht Teil unserer Angriffsmethode.
  • [2025/8/14] Die Downloads unseres Hugging-Face-Datensatzes haben 10.000 überschritten 🎉🎉🎉! Danke für Ihre Unterstützung!
  • [2025/8/21] VisCo Attack wurde zur EMNLP 2025 Main Conference angenommen! Der Code wird bald veröffentlicht~
  • [Code-Veröffentlichung] Die End-to-End-Pipeline (T2I-Prompt-Extraktion → SD3.5 → mehrrundige Spoof-Konstruktion mit 4 Strategien → Zielangriff → GPT-4o-Bewertung) ist jetzt in diesem Repository enthalten. Siehe Schnellstart unten.

⚡ Schnellstart

# 1. Install
pip install -r requirements.txt

# 2. Configure endpoints
#    Edit configs/default.yaml — fill in vLLM base_urls for the four roles:
#      models.generator   data-generation LLM
#      models.wizard      Wizard-Vicuna-Uncensored (or any unaligned LLM)
#      models.target      the target MLLM you want to attack
#      models.judge       judge LLM (paper used GPT-4o)
#    Smoke test: pointing all four at the same endpoint works fine.

# 3. Build a question file (or use the 3-question example)
python data/extract_questions.py \
    --input  /path/to/your/MMSafetyBench.json \
    --output data/mmsafebench_questions.json

# 4. Run the full pipeline
./run.sh

# Or run a single stage at a time:
RUN_STAGE=1 ./run.sh   # extract T2I prompts
RUN_STAGE=2 ./run.sh   # render core images (uses torchrun + SD3.5)
RUN_STAGE=3 ./run.sh   # multi-round spoof context (4 strategies × N gens × 4 rounds)
RUN_STAGE=4 ./run.sh   # render any extra images requested by stage3
RUN_STAGE=5 ./run.sh   # attack the target MLLM
RUN_STAGE=6 ./run.sh   # GPT-4o-as-judge ASR

🤖 Empfohlene Red-Team-Modelle (für die Rollen generator / wizard)

Die Pipeline hat 4 LLM-Rollen in configs/default.yaml: generator, wizard, target, judge. Die Rollen generator und wizard erledigen die eigentliche Red-Team-Arbeit (Konstruktion von Spoof-Kontexten, Erzeugung von Fake-Success-Fortsetzungen). Sie müssen bereit sein, den templatierten Red-Team-Anweisungen in prompts/*.md zu folgen — safety-aligned Modelle werden typischerweise ablehnen und die Pipeline wird auf leere / nicht parsebare Ausgaben degradieren.

Die folgenden Modelle funktionierten gut für die Red-Team-Rollen:

ModellGeeignete Rolle(n)Hinweise
qwen-3.5-122B-uncensored-stxtgenerator + wizardEin Community-Derivat von Qwen3. vllm_client.py deaktiviert den Qwen3-Thinking-Modus automatisch, wenn es diesen Modellnamen erkennt.
Qwen2.5-72B-InstructgeneratorAligned, kooperiert aber typischerweise dennoch bei der Erzeugung fabrizierter unsicherer Kontexte.

Modelle, die häufig ablehnen (verwende sie nicht als generator oder wizard):

  • GPT-4 / GPT-4o, Claude 3.5+ — starkes Alignment, werden auf die templatierten Red-Team-Prompts mit Ablehnungen antworten.
  • Llama-3-Instruct ohne weiteren Bypass.

Smoke-Test (3 Fragen, ~5 Minuten)

Wenn du lieber die gesamte Pipeline Ende-zu-Ende verifizieren möchtest, bevor du einen echten Lauf durchführst, ist tools/run_real_smoke.sh ein One-Shot-Wrapper, der eine winzige Konfiguration schreibt (3 Fragen × 1 Strategie × 1 Gen × 2 Runden), alle 6 Stufen mit echter SD3.5- Diffusion ausführt und am Ende Dateianzahlen pro Stufe + ASR ausgibt. Alle Pfade sind über Umgebungsvariablen überschreibbar:

SD_MODEL_PATH=/abs/path/to/stable-diffusion-3.5-large-turbo \
VLLM_URL=http://my-vllm-host:8000/v1 \
NUM_GPUS=N \
bash tools/run_real_smoke.sh

Erhöhen Sie die Umgebungsvariablen INPUT_QUESTIONS / STRATEGIES / GEN_PER_QUESTION / ROUNDS, um bis zum vollständigen, originalgetreuen Durchlauf hochzuskalieren.

🗺️ Pipeline-Übersicht

Tool herunterladen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Das ultimative OSINT-Toolkit: Untersuchungsgraph, Konfidenzbewertung, Alias-Familien, Karte, Zeitleiste und Berichte. 49 Module, 400+ Websites, keine API-Schlüssel erforderlich.

    696
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    GhostLock One-Tap Execution App (CVE-2026-43499)

    499
  • 3

    ARTEX

    baarai/artex

    LLM-basierte Multi-Agenten-Plattform für autonome Penetrationstests mit Planer-/Worker-Agenten, Asset- und Explorationsgraphen, MITM-Verkehrsaufzeichnung und Schwachstellen-Retesting.

    396
  • 4

    redforge

    cybersecurity91/redforge

    Browser-seitiges Red-Team-Toolkit mit 102 Offline-Tools für Recon, Payload-Generierung, Credential-Angriffe, Krypto, Encoding und Engagement-Reporting.

    340
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Das System der Handlung für KI-native Cybersicherheit – wo Absicht zu gesteuerter Ausführung wird, Beweise zu operativem Gedächtnis werden und jeder Einsatz den nächsten verbessert.

    258
  • 6

    antifox

    antifox-ai/antifox

    KI-Multi-Agenten-Plattform für autonome Penetrationstests, die Recon, Angriffsflächen-Erkennung, Exploit-Validierung und evidenzbasierte Berichtserstellung durchführt.

    257

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →