Skip to content
KitploitKITPLOIT
OutilsExploitsBlog
Log in
Soumettre
OutilsExploitsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
Outils/GitHubGitHub/dtc7w3pq/visco-attack
Apprentissage AutomatiqueArticles et RechercheRed TeamingSécurité de l'IAAttaque Adversariale
GitHubdtc7w3pq/visco-attack

Visco-Attack

Pipeline de recherche mettant en œuvre un jailbreak visuel-contextuel contre les LLM multimodaux : extraction de prompt T2I, rendu d'image SD3.5, construction d'un contexte usurpé sur plusieurs tours, et évaluation de l'ASR jugée par GPT-4o.

Voir le dépôt
311il y a 7 moisVérifié par Kitploit
Partager

Visual Contextual Attack: Jailbreaking MLLMs with Image-Driven Context Injection

Paper Data HF Downloads GitHub Stars

VisCo-Attack Original est pionnier d'un paradigme d'attaque centré sur la vision et exploite plusieurs images à travers des dialogues multi-tours ; ses stratégies sur mesure de fabrication de contexte offrent un taux de réussite d'attaque remarquablement élevé contre les principaux MLLMs, ce qui en fait l'une des méthodes de jailbreak les plus puissantes pour les MLLMs à ce jour.

Si notre travail vous intéresse, veuillez mettre une étoile ⭐ à notre projet, merci 💕

⚠️ AVERTISSEMENT : Ce dépôt contient des techniques de prompts adversariaux destinées uniquement à la recherche et à des fins de sécurité.

📝 Aperçu

VisCo-Attack est notre framework de jailbreak visuel-contextuel introduit dans l'article « Visual Contextual Attack: Jailbreaking MLLMs with Image-Driven Context Injection ». Au lieu de traiter une image comme un simple déclencheur, VisCo-Attack construit un contexte de dialogue multi-tours réaliste et fabriqué dans lequel l'entrée visuelle est essentielle au scénario nuisible. Il tisse automatiquement ce contexte avec quatre stratégies centrées sur l'image — Image-Grounded Scenario Simulation (VS), Multi-Perspective Analysis (VM), Iterative Interrogation (VI) et Hallucination Exploitation (VH) — puis effectue une obfuscation de la toxicité et un raffinement sémantique pour produire un unique prompt d'attaque. Dans un cadre entièrement en boîte noire, ce prompt casse de manière fiable des MLLMs de pointe tels que GPT-4o, Gemini 2.0 flash et InternVL-2.5, portant le taux de réussite de l'attaque à 85 – 91 % sur MM-SafetyBench, FigStep-SafeBench et HarmBench tout en maintenant des scores de toxicité supérieurs à 4,7 / 5.

Illustration de la méthode Visco-Attack

Figure : Aperçu de la méthode Visual Contextual Attack (Visco-Attack).

🚀 Actualités

  • [2025/7/3] Publication des contextes d'attaque pour quatre stratégies distinctes sur MM-SafetyBench, désormais disponibles sur Hugging Face. Le code sera publié dès l'acceptation de l'article.
  • [2025/7/4] Notre article est désormais disponible sur arXiv : https://arxiv.org/abs/2507.02844.
  • [2025/7/19] Fourniture d'images SD + Typography pour chaque échantillon MM-SafetyBench réaligné (image SD en haut, mot-clé en dessous). Utilisées uniquement pour la reproduction des baselines ; ne font pas partie de notre méthode d'attaque.
  • [2025/8/14] Les téléchargements de notre jeu de données Hugging Face ont dépassé 10 000 🎉🎉🎉 ! Merci pour votre soutien !
  • [2025/8/21] VisCo Attack a été accepté à la conférence principale EMNLP 2025 ! Le code sera bientôt publié~
  • [Publication du code] Le pipeline de bout en bout (extraction de prompt T2I → SD3.5 → construction de spoof multi-tours à 4 stratégies → attaque ciblée → juge GPT-4o) est désormais dans ce dépôt. Voir Démarrage rapide ci-dessous.

⚡ Démarrage rapide

# 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

🤖 Modèles red-team recommandés (pour les rôles generator / wizard)

Le pipeline comporte 4 rôles LLM dans configs/default.yaml : generator, wizard, target, judge. Les rôles generator et wizard effectuent le véritable travail red-team (construction de contextes usurpés, production de continuations de fausse réussite). Ils doivent être disposés à suivre les instructions red-team modélisées dans prompts/*.md — les modèles alignés sur la sécurité refuseront généralement et le pipeline se dégradera en sorties vides / non analysables.

Les modèles suivants ont bien fonctionné pour les rôles red-team :

ModèleRôle(s) adapté(s)Remarques
qwen-3.5-122B-uncensored-stxtgenerator + wizardUn dérivé communautaire de Qwen3. vllm_client.py désactive automatiquement le mode réflexion de Qwen3 lorsqu'il détecte ce nom de modèle.
Qwen2.5-72B-InstructgeneratorAligné, mais coopère généralement encore pour produire des contextes non sûrs fabriqués.

Modèles qui refusent fréquemment (ne les utilisez pas comme generator ou wizard) :

  • GPT-4 / GPT-4o, Claude 3.5+ — alignement fort, répondront aux prompts red-team modélisés par des refus.
  • Llama-3-Instruct sans contournement supplémentaire.

Test de fumée (3 questions, ~5 minutes)

Si vous préférez vérifier l'ensemble du pipeline de bout en bout avant de lancer une exécution réelle, tools/run_real_smoke.sh est un wrapper en une seule commande qui écrit une configuration minimale (3 questions × 1 stratégie × 1 gen × 2 tours), exécute les 6 étapes avec la diffusion SD3.5 réelle, et affiche à la fin le nombre de fichiers par étape + l'ASR. Tous les chemins sont surchargeables via des variables d'environnement :

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

Augmentez les variables d'environnement INPUT_QUESTIONS / STRATEGIES / GEN_PER_QUESTION / ROUNDS pour passer à l'échelle de l'exécution complète fidèle à l'article.

🗺️ Aperçu du pipeline

Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    668
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    496
  • 3

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    394
  • 4

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    339
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    258
  • 6

    antifox

    antifox-ai/antifox

    Plateforme de test d'intrusion autonome multi-agents par IA qui exécute la reconnaissance, la découverte de la surface d'attaque, la validation de l'exploitation et la livraison de rapports étayés par des preuves.

    254

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →