Skip to content
KitploitKITPLOIT
उपकरणएक्सप्लॉइटब्लॉग
Log in
जमा करें
उपकरणएक्सप्लॉइटब्लॉग
जमा करें

हैकिंग, पेनटेस्ट और साइबर सुरक्षा उपकरण आपके सुरक्षा शस्त्रागार के लिए!

Kitploit हैकिंग, साइबर सुरक्षा और पेंटेस्टिंग टूल्स की एक निर्देशिका है। कमजोरियों को खोजने, सिस्टम का विश्लेषण करने, परीक्षण को स्वचालित करने और अपनी सुरक्षा को मजबूत करने के लिए नवीनतम प्रोजेक्ट अपडेट खोजें।

फ़ीडसंपर्कगोपनीयता© 2026 Kitploit

टूल निर्देशिका

श्रेणियाँ

सभी श्रेणियाँ देखें
Loading categories
Visco-Attack — मल्टीमॉडल LLM के विरुद्ध विज़ुअल-कॉन्टेक्स्चुअल जेलब्रेक लागू करने वाली रिसर्च पाइपलाइन: T2I प्रॉम्प्ट एक्सट्रैक्शन, SD3.5 इमेज रेंडरिंग, मल्टी-राउंड स्पूफ कॉन्टेक्स्ट निर्माण, और GPT-4o-निर्णीत ASR मूल्यांकन। | Kitploit
उपकरण/GitHubGitHub/dtc7w3pq/visco-attack
मशीन लर्निंगपेपर और शोधरेड टीमिंगAI सुरक्षाप्रतिकूल हमला
GitHubdtc7w3pq/visco-attack

Visco-Attack

मल्टीमॉडल LLM के विरुद्ध विज़ुअल-कॉन्टेक्स्चुअल जेलब्रेक लागू करने वाली रिसर्च पाइपलाइन: T2I प्रॉम्प्ट एक्सट्रैक्शन, SD3.5 इमेज रेंडरिंग, मल्टी-राउंड स्पूफ कॉन्टेक्स्ट निर्माण, और GPT-4o-निर्णीत ASR मूल्यांकन।

रिपॉजिटरी देखें
3117 महीने पहलेKitploit द्वारा समीक्षित
साझा करें

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

Paper Data HF Downloads GitHub Stars

VisCo-Attack Original एक दृष्टि-केंद्रित आक्रमण प्रतिमान का अग्रणी है और बहु-चरणीय संवादों में कई छवियों का लाभ उठाता है; इसकी विशेष संदर्भ-निर्माण रणनीतियाँ अग्रणी MLLMs के विरुद्ध उल्लेखनीय रूप से उच्च आक्रमण-सफलता दर प्रदान करती हैं, जिससे यह आज तक MLLMs के लिए सबसे शक्तिशाली जेलब्रेक विधियों में से एक बन जाता है।

यदि आप हमारे काम में रुचि रखते हैं, तो कृपया हमारे प्रोजेक्ट को स्टार ⭐ करें, धन्यवाद 💕

⚠️ चेतावनी: इस रेपो में प्रतिकूल प्रॉम्प्ट तकनीकें हैं जो केवल अनुसंधान और सुरक्षा उद्देश्यों के लिए हैं।

📝 अवलोकन

VisCo-Attack हमारा दृश्य-प्रासंगिक जेलब्रेक फ्रेमवर्क है जिसे “Visual Contextual Attack: Jailbreaking MLLMs with Image-Driven Context Injection” पेपर में प्रस्तुत किया गया है। एक छवि को केवल एक ट्रिगर मानने के बजाय, VisCo-Attack एक यथार्थवादी, काल्पनिक बहु-चरणीय संवाद संदर्भ का निर्माण करता है जिसमें दृश्य इनपुट हानिकारक परिदृश्य के लिए आवश्यक होता है। यह स्वचालित रूप से उस संदर्भ को चार छवि-केंद्रित रणनीतियों—Image-Grounded Scenario Simulation (VS), Multi-Perspective Analysis (VM), Iterative Interrogation (VI), और Hallucination Exploitation (VH)—के साथ बुनता है, फिर एकल आक्रमण प्रॉम्प्ट उत्पन्न करने के लिए विषाक्तता अस्पष्टीकरण और अर्थपूर्ण परिष्करण करता है। पूर्णतः ब्लैक-बॉक्स सेटिंग में, यह प्रॉम्प्ट GPT-4o, Gemini 2.0 flash, और InternVL-2.5 जैसे अत्याधुनिक MLLMs को विश्वसनीय रूप से तोड़ता है, जिससे MM-SafetyBench, FigStep-SafeBench, और HarmBench पर आक्रमण-सफलता दर 85 – 91 % तक पहुँच जाती है, जबकि विषाक्तता स्कोर 4.7 / 5 से ऊपर बना रहता है।

Visco-Attack Method Illustration

चित्र: Visual Contextual Attack (Visco-Attack) विधि का अवलोकन।

🚀 समाचार

  • [2025/7/3] MM-SafetyBench पर चार अलग-अलग रणनीतियों के लिए आक्रमण संदर्भ जारी किए गए, जो अब Hugging Face पर उपलब्ध हैं। पेपर स्वीकृत होने पर कोड जारी किया जाएगा।
  • [2025/7/4] हमारा पेपर अब arXiv पर उपलब्ध है: https://arxiv.org/abs/2507.02844.
  • [2025/7/19] प्रत्येक पुनर्संरेखित MM-SafetyBench नमूने के लिए SD + Typography छवियाँ प्रदान की गईं (ऊपर SD छवि, नीचे कीवर्ड)। केवल बेसलाइन पुनरुत्पादन के लिए उपयोग किया गया; हमारी आक्रमण विधि का हिस्सा नहीं।
  • [2025/8/14] हमारे Hugging Face डेटासेट डाउनलोड 10,000 से अधिक हो गए हैं 🎉🎉🎉! आपके समर्थन के लिए धन्यवाद!
  • [2025/8/21] VisCo Attack को EMNLP 2025 मुख्य सम्मेलन में स्वीकार किया गया! कोड जल्द ही जारी किया जाएगा~
  • [कोड रिलीज़] एंड-टू-एंड पाइपलाइन (T2I प्रॉम्प्ट निष्कर्षण → SD3.5 → 4-रणनीति बहु-राउंड स्पूफ निर्माण → लक्ष्य आक्रमण → GPT-4o जज) अब इस रेपो में है। नीचे त्वरित शुरुआत देखें।

⚡ त्वरित शुरुआत

# 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

🤖 अनुशंसित रेड-टीम मॉडल (generator / wizard भूमिकाओं के लिए)

पाइपलाइन में configs/default.yaml में 4 LLM भूमिकाएँ हैं: generator, wizard, target, judge। generator और wizard भूमिकाएँ वास्तविक रेड-टीम कार्य करती हैं (स्पूफ संदर्भों का निर्माण, नकली-सफलता की निरंतरता उत्पन्न करना)। उन्हें prompts/*.md में दिए गए टेम्पलेटेड रेड-टीम निर्देशों का पालन करने के लिए तैयार होना चाहिए — सुरक्षा-संरेखित मॉडल आमतौर पर मना कर देंगे और पाइपलाइन खाली / अपार्सेबल आउटपुट तक गिर जाएगी।

निम्नलिखित मॉडल रेड-टीम भूमिकाओं के लिए अच्छी तरह काम करते हैं:

मॉडलउपयुक्त भूमिका(एँ)टिप्पणियाँ
qwen-3.5-122B-uncensored-stxtgenerator + wizardएक कम्युनिटी Qwen3-व्युत्पन्न। vllm_client.py इस मॉडल का नाम देखते ही Qwen3 थिंकिंग मोड को स्वतः अक्षम कर देता है।
Qwen2.5-72B-Instructgeneratorसंरेखित, लेकिन नकली असुरक्षित संदर्भों को उत्पन्न करने में आमतौर पर अभी भी सहयोग करता है।

वे मॉडल जो अक्सर मना करते हैं (उन्हें generator या wizard के रूप में उपयोग न करें):

  • GPT-4 / GPT-4o, Claude 3.5+ — मजबूत संरेखण, टेम्पलेटेड रेड-टीम प्रॉम्प्ट्स का उत्तर मना करके देंगे।
  • Llama-3-Instruct बिना किसी अतिरिक्त बायपास के।

स्मोक टेस्ट (3 प्रश्न, ~5 मिनट)

यदि आप वास्तविक रन करने से पहले पूरी पाइपलाइन को एंड-टू-एंड सत्यापित करना चाहते हैं, तो tools/run_real_smoke.sh एक वन-शॉट रैपर है जो एक छोटा कॉन्फ़िग लिखता है (3 प्रश्न × 1 रणनीति × 1 जन × 2 राउंड), वास्तविक SD3.5 डिफ्यूज़न के साथ सभी 6 चरण चलाता है, और अंत में प्रति-चरण फ़ाइल गणना + ASR प्रिंट करता है। सभी पथ env वेरिएबल्स के माध्यम से ओवरराइड करने योग्य हैं:

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

INPUT_QUESTIONS / STRATEGIES / GEN_PER_QUESTION / ROUNDS env वेरिएबल्स को बढ़ाकर पूर्ण पेपर-अनुरूप रन तक स्केल करें।

🗺️ पाइपलाइन अवलोकन

टूल डाउनलोड करें

सबसे लोकप्रिय

सभी देखें →

हमारे समुदाय द्वारा सबसे अधिक उपयोग किए जाने वाले उपकरण खोजें।

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 अंतिम OSINT टूलकिट: जाँच ग्राफ़, विश्वास स्कोरिंग, उपनाम परिवार, मानचित्र, टाइमलाइन और रिपोर्ट। 49 मॉड्यूल, 400+ साइटें, किसी API कुंजी की आवश्यकता नहीं।

    668
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # घोस्टलॉक वन-टैप निष्पादन ऐप (CVE-2026-43499)

    496
  • 3

    ARTEX

    baarai/artex

    प्लानर/वर्कर एजेंट, एसेट और एक्सप्लोरेशन ग्राफ़, MITM ट्रैफ़िक रिकॉर्डिंग, और भेद्यता पुनःपरीक्षण के साथ LLM मल्टी-एजेंट स्वायत्त पेनेट्रेशन टेस्टिंग प्लेटफ़ॉर्म।

    394
  • 4

    redforge

    cybersecurity91/redforge

    ब्राउज़र-साइड रेड टीम टूलकिट, जिसमें रेकॉन, पेलोड जनरेशन, क्रेडेंशियल हमलों, क्रिप्टो, एन्कोडिंग और एंगेजमेंट रिपोर्टिंग के लिए 102 ऑफ़लाइन टूल्स हैं।

    339
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    AI-मूल साइबरसुरक्षा के लिए कार्रवाई की प्रणाली—जहाँ इरादा नियंत्रित निष्पादन बन जाता है, साक्ष्य परिचालन स्मृति बन जाता है, और हर ऑपरेशन अगले को बेहतर बनाता है।

    258
  • 6

    antifox

    antifox-ai/antifox

    AI मल्टी-एजेंट स्वायत्त पेनेट्रेशन टेस्टिंग प्लेटफ़ॉर्म जो रेकॉन, अटैक-सरफ़ेस डिस्कवरी, एक्सप्लॉइटेशन वैलिडेशन और साक्ष्य-आधारित रिपोर्ट डिलीवरी संचालित करता है।

    254

सभी उपकरण खोजें

हमारे उपकरणों का संग्रह ब्राउज़ करें

सभी उपकरण देखें →