Skip to content
KitploitKITPLOIT
FerramentasExploitsBlog
Log in
Enviar
FerramentasExploitsBlog
Enviar

Ferramentas de Hacking, PenTest e Cibersegurança para o seu Arsenal de Segurança!

Kitploit é um diretório de ferramentas de hacking, cibersegurança e pentesting. Descubra as últimas atualizações de projetos para encontrar vulnerabilidades, analisar sistemas, automatizar testes e fortalecer sua segurança.

FeedsContatoPrivacidade© 2026 Kitploit

Diretório de Ferramentas

Categorias

Ver todas as categorias
Loading categories
Visco-Attack — Pipeline de pesquisa que implementa um jailbreak visual-contextual contra LLMs multimodais: extração de prompt T2I, renderização de imagem com SD3.5, construção de contexto de falsificação em múltiplas rodadas e avaliação de ASR julgada pelo GPT-4o. | Kitploit
Ferramentas/GitHubGitHub/dtc7w3pq/visco-attack
Aprendizado de MáquinaPapers e PesquisaRed TeamingSegurança de IAAtaque Adversário
GitHubdtc7w3pq/visco-attack

Visco-Attack

Pipeline de pesquisa que implementa um jailbreak visual-contextual contra LLMs multimodais: extração de prompt T2I, renderização de imagem com SD3.5, construção de contexto de falsificação em múltiplas rodadas e avaliação de ASR julgada pelo GPT-4o.

Ver Repositório
311há 7 mesesRevisado pelo Kitploit
Compartilhar

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

Paper Data HF Downloads GitHub Stars

O VisCo-Attack Original inaugura um paradigma de ataque centrado na visão e utiliza múltiplas imagens ao longo de diálogos de múltiplos turnos; suas estratégias personalizadas de fabricação de contexto proporcionam uma taxa de sucesso de ataque notavelmente alta contra os principais MLLMs, posicionando-o como um dos métodos de jailbreak mais fortes para MLLMs até o momento.

Se você se interessar pelo nosso trabalho, por favor dê uma estrela ⭐ no nosso projeto, obrigado 💕

⚠️ AVISO: Este repositório contém técnicas de prompt adversariais destinadas apenas a fins de pesquisa e segurança.

📝 Visão Geral

VisCo-Attack é o nosso framework de jailbreak visual-contextual apresentado no artigo "Visual Contextual Attack: Jailbreaking MLLMs with Image-Driven Context Injection". Em vez de tratar uma imagem como um mero gatilho, o VisCo-Attack constrói um contexto de diálogo multifacetado realista e fabricado no qual a entrada visual é essencial para o cenário prejudicial. Ele tece automaticamente esse contexto com quatro estratégias centradas em imagens — Simulação de Cenário Baseada em Imagem (VS), Análise Multiperspectiva (VM), Interrogação Iterativa (VI) e Exploração de Alucinação (VH) — e então realiza ofuscação de toxicidade e refinamento semântico para produzir um único prompt de ataque. Em um cenário totalmente de caixa-preta, esse prompt quebra de forma confiável MLLMs de última geração, como GPT-4o, Gemini 2.0 flash e InternVL-2.5, elevando a taxa de sucesso de ataque para 85 – 91 % no MM-SafetyBench, FigStep-SafeBench e HarmBench, mantendo pontuações de toxicidade acima de 4,7 / 5.

Visco-Attack Method Illustration

Figura: Visão geral do Método de Ataque Contextual Visual (Visco-Attack).

🚀 Novidades

  • [2025/7/3] Lançamento dos contextos de ataque para quatro estratégias distintas no MM-SafetyBench, agora disponíveis no Hugging Face. O código será lançado após a aceitação do artigo.
  • [2025/7/4] Nosso artigo já está disponível no arXiv: https://arxiv.org/abs/2507.02844.
  • [2025/7/19] Fornecemos imagens SD + Tipografia para cada amostra realinhada do MM-SafetyBench (imagem SD em cima, palavra-chave abaixo). Usadas apenas para reprodução de baselines; não fazem parte do nosso método de ataque.
  • [2025/8/14] Os downloads do nosso dataset no Hugging Face ultrapassaram 10.000 🎉🎉🎉! Obrigado pelo apoio!
  • [2025/8/21] O VisCo Attack foi aceito na Conferência Principal do EMNLP 2025! O código será lançado em breve~
  • [Lançamento do código] O pipeline de ponta a ponta (extração de prompt T2I → SD3.5 → construção de spoof multifacetada com 4 estratégias → ataque alvo → juiz GPT-4o) agora está neste repositório. Veja o Início Rápido abaixo.

⚡ Início Rápido

# 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

🤖 Modelos de red-team recomendados (para as funções generator / wizard)

O pipeline tem 4 funções de LLM em configs/default.yaml: generator, wizard, target, judge. As funções generator e wizard fazem o trabalho real de red-team (construindo contextos falsos, produzindo continuações de falso-sucesso). Elas devem estar dispostas a seguir as instruções templatizadas de red-team em prompts/*.md — modelos alinhados à segurança tipicamente recusarão e o pipeline degradará para saídas vazias / não analisáveis.

Os seguintes modelos funcionaram bem para as funções de red-team:

ModeloFunção(ões) adequada(s)Notas
qwen-3.5-122B-uncensored-stxtgenerator + wizardUm derivado comunitário do Qwen3. vllm_client.py desativa automaticamente o modo de raciocínio do Qwen3 quando detecta este nome de modelo.
Qwen2.5-72B-InstructgeneratorAlinhado, mas tipicamente ainda coopera na produção de contextos inseguros fabricados.

Modelos que frequentemente recusam (não os use como generator ou wizard):

  • GPT-4 / GPT-4o, Claude 3.5+ — alinhamento forte, responderão aos prompts templatizados de red-team com recusas.
  • Llama-3-Instruct sem bypass adicional.

Teste rápido (3 perguntas, ~5 minutos)

Se preferir verificar todo o pipeline de ponta a ponta antes de fazer uma execução real, tools/run_real_smoke.sh é um wrapper de uso único que grava uma configuração mínima (3 perguntas × 1 estratégia × 1 geração × 2 rodadas), executa todas as 6 etapas com difusão SD3.5 real e imprime a contagem de arquivos por etapa + ASR ao final. Todos os caminhos são sobrescrevíveis via variáveis de 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

Aumente as variáveis de ambiente INPUT_QUESTIONS / STRATEGIES / GEN_PER_QUESTION / ROUNDS para escalar até a execução completa fiel ao artigo.

🗺️ Visão geral do pipeline

Baixar ferramenta

Mais Populares

Ver todos →

Descubra as ferramentas mais usadas pela nossa comunidade.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 O kit definitivo de OSINT: grafo de investigação, pontuação de confiança, famílias de alias, mapa, linha do tempo e relatórios. 49 módulos, mais de 400 sites, sem necessidade de chaves de API.

    668
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicativo de Execução em Um Toque GhostLock (CVE-2026-43499)

    496
  • 3

    ARTEX

    baarai/artex

    Plataforma autônoma de testes de penetração multiagente com LLM, com agentes planejador/executor, grafos de ativos e de exploração, registro de tráfego MITM e reteste de vulnerabilidades.

    394
  • 4

    redforge

    cybersecurity91/redforge

    Kit de ferramentas de red team do lado do navegador com 102 ferramentas offline para reconhecimento, geração de payloads, ataques a credenciais, criptografia, codificação e relatórios de engajamento.

    339
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    O sistema de ação para cibersegurança nativa em IA—onde a intenção se torna execução governada, a evidência se torna memória operacional, e cada operação melhora a próxima.

    258
  • 6

    antifox

    antifox-ai/antifox

    Plataforma de testes de penetração autónoma com multiagentes de IA que executa reconhecimento, descoberta de superfície de ataque, validação de exploração e entrega de relatórios com evidências.

    254

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →