本文研究了视觉语言模型（VLMs）的对抗性鲁棒性，提出了多模态对抗攻击策略和新方法（如Co-Attack和CMI-Attack），显著提升了模型在图像和文本任务中的鲁棒性。实验结果表明，这些方法在多个数据集上表现优异，强调了模态交互在增强对抗鲁棒性中的重要性。

本文综述视觉-语言预训练模型的对抗鲁棒性研究，涵盖Co-Attack、Mango、VLAttack等攻击与防御方法，发现多模态模型对图像和文本扰动普遍脆弱，黑盒查询可提升攻击效果，商业模型如Bard亦存在漏洞，呼吁部署前全面评估安全性。