本研究分析了大型视觉语言模型（LVLMs）在图像攻击中的脆弱性，提出了DPS方法，通过部分感知监督提升模型的抗攻击能力，使攻击成功率降低了76.3%。

研究分析了视觉语言模型在图像攻击下的鲁棒性，探讨了模型设计对抗攻击能力的影响。通过改写问题和提示格式来增强鲁棒性，有效抵御如Auto-PGD的强大图像攻击，为开发更鲁棒的模型提供指导，适用于安全关键环境。

研究分析了机视语言模型在图像攻击下的鲁棒性，发现通过改写问题和提示格式可以增强模型抵御攻击的能力，尤其是对抗Auto-PGD攻击。这为开发更鲁棒的模型提供了重要指导，适用于安全关键环境。

本研究探讨了机视语言模型的鲁棒性对抗性攻击的重要性，并提出了一种新方法来增强鲁棒性。通过改写问题和建议对抗性扰动，成功抵御了强大的图像攻击。这些发现对开发更鲁棒的机视语言模型提供了重要指导。