Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
Visco-Attack — Pipeline di ricerca che implementa un jailbreak visivo-contestuale contro LLM multimodali: estrazione del prompt T2I, rendering delle immagini con SD3.5, costruzione di un contesto spoof su più round e valutazione ASR giudicata da GPT-4o. | Kitploit
Strumenti/GitHubGitHub/dtc7w3pq/visco-attack
Machine LearningPaper e RicercaRed TeamingSicurezza dell'IAAttacco Avversario
GitHubdtc7w3pq/visco-attack

Visco-Attack

Pipeline di ricerca che implementa un jailbreak visivo-contestuale contro LLM multimodali: estrazione del prompt T2I, rendering delle immagini con SD3.5, costruzione di un contesto spoof su più round e valutazione ASR giudicata da GPT-4o.

Vedi Repository
3117 mesi faRevisionato da Kitploit
Condividi

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

Paper Data HF Downloads GitHub Stars

VisCo-Attack Original inaugura un paradigma di attacco incentrato sulla visione e sfrutta più immagini attraverso dialoghi multi-turno; le sue strategie su misura per la fabbricazione del contesto garantiscono un tasso di successo dell'attacco notevolmente elevato contro i principali MLLM, posizionandolo come uno dei più potenti metodi di jailbreak per MLLM fino ad oggi.

Se il nostro lavoro ti interessa, metti una stella ⭐ al nostro progetto, grazie 💕

⚠️ ATTENZIONE: Questo repository contiene tecniche di prompt adversariali destinate esclusivamente a scopi di ricerca e sicurezza.

📝 Panoramica

VisCo-Attack è il nostro framework di jailbreak visivo-contestuale introdotto nel paper "Visual Contextual Attack: Jailbreaking MLLMs with Image-Driven Context Injection". Invece di trattare un'immagine come un mero trigger, VisCo-Attack costruisce un contesto di dialogo multi-turno realistico e fabbricato in cui l'input visivo è essenziale per lo scenario dannoso. Intreccia automaticamente tale contesto con quattro strategie incentrate sull'immagine—Image-Grounded Scenario Simulation (VS), Multi-Perspective Analysis (VM), Iterative Interrogation (VI) e Hallucination Exploitation (VH)—per poi eseguire offuscamento della tossicità e raffinamento semantico al fine di produrre un singolo prompt di attacco. In un contesto completamente black-box, questo prompt compromette in modo affidabile MLLM all'avanguardia come GPT-4o, Gemini 2.0 flash e InternVL-2.5, spingendo il tasso di successo dell'attacco all'85 – 91 % su MM-SafetyBench, FigStep-SafeBench e HarmBench, mantenendo al contempo punteggi di tossicità superiori a 4.7 / 5.

Illustrazione del metodo Visco-Attack

Figura: Panoramica del metodo Visual Contextual Attack (Visco-Attack).

🚀 Novità

  • [2025/7/3] Rilasciati i contesti di attacco per quattro distinte strategie su MM-SafetyBench, ora disponibili su Hugging Face. Il codice sarà rilasciato all'accettazione del paper.
  • [2025/7/4] Il nostro paper è ora disponibile su arXiv: https://arxiv.org/abs/2507.02844.
  • [2025/7/19] Fornite immagini SD + Typography per ciascun campione riallineato di MM-SafetyBench (immagine SD in alto, keyword in basso). Utilizzate solo per la riproduzione dei baseline; non fanno parte del nostro metodo di attacco.
  • [2025/8/14] I download del nostro dataset su Hugging Face hanno superato 10.000 🎉🎉🎉! Grazie per il vostro supporto!
  • [2025/8/21] VisCo Attack è stato accettato alla Main Conference di EMNLP 2025! Il codice sarà rilasciato a breve~
  • [Rilascio del codice] La pipeline end-to-end (estrazione del prompt T2I → SD3.5 → costruzione multi-round dello spoof con 4 strategie → attacco target → giudice GPT-4o) è ora in questo repo. Vedi Avvio rapido di seguito.

⚡ Avvio rapido

# 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

🤖 Modelli red-team consigliati (per i ruoli generator / wizard)

La pipeline prevede 4 ruoli LLM in configs/default.yaml: generator, wizard, target, judge. I ruoli generator e wizard svolgono il lavoro red-team effettivo (costruzione di contesti spoof, produzione di continuazioni fake-success). Devono essere disposti a seguire le istruzioni red-team templatizzate in prompts/*.md — i modelli allineati alla sicurezza tipicamente rifiuteranno e la pipeline degraderà a output vuoti / non analizzabili.

I seguenti modelli hanno funzionato bene per i ruoli red-team:

ModelloRuolo/i adattiNote
qwen-3.5-122B-uncensored-stxtgenerator + wizardUn derivato Qwen3 della community. vllm_client.py disabilita automaticamente la modalità thinking di Qwen3 quando rileva questo nome di modello.
Qwen2.5-72B-InstructgeneratorAllineato, ma tipicamente collabora comunque nella produzione di contesti non sicuri fabbricati.

Modelli che rifiutano frequentemente (non usarli come generator o wizard):

  • GPT-4 / GPT-4o, Claude 3.5+ — allineamento forte, risponderanno ai prompt red-team templatizzati con rifiuti.
  • Llama-3-Instruct senza ulteriori bypass.

Smoke test (3 domande, ~5 minuti)

Se preferisci verificare l'intera pipeline end-to-end prima di eseguire una run reale, tools/run_real_smoke.sh è un wrapper one-shot che scrive una configurazione minima (3 domande × 1 strategia × 1 gen × 2 round), esegue tutti e 6 gli stadi con diffusione SD3.5 reale e stampa alla fine il conteggio dei file per stadio + l'ASR. Tutti i percorsi sono sovrascrivibili tramite variabili d'ambiente:

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

Aumenta le variabili d'ambiente INPUT_QUESTIONS / STRATEGIES / GEN_PER_QUESTION / ROUNDS per scalare fino all'esecuzione completa fedele al paper.

🗺️ Panoramica della pipeline

Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Il toolkit OSINT definitivo: grafo di indagine, punteggio di affidabilità, famiglie di alias, mappa, timeline e report. 49 moduli, oltre 400 siti, nessuna chiave API richiesta.

    668
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # App di esecuzione con un tocco GhostLock (CVE-2026-43499)

    496
  • 3

    ARTEX

    baarai/artex

    Piattaforma di penetration testing autonoma multi-agente basata su LLM con agenti planner/worker, grafi di asset e di esplorazione, registrazione del traffico MITM e retesting delle vulnerabilità.

    394
  • 4

    redforge

    cybersecurity91/redforge

    Toolkit red team lato browser con 102 strumenti offline per ricognizione, generazione di payload, attacchi alle credenziali, crittografia, codifica e reportistica dell'engagement.

    339
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Il sistema d'azione per la cybersecurity nativa AI—dove l'intento diventa esecuzione governata, le evidenze diventano memoria operativa, e ogni operazione migliora la successiva.

    258
  • 6

    antifox

    antifox-ai/antifox

    Piattaforma multi-agente di penetration testing autonoma basata sull'IA che esegue ricognizione, scoperta della superficie d'attacco, validazione dello sfruttamento e consegna di report supportati da evidenze.

    254

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →