本文介绍了视觉语言安全理解（VLSU）框架，用于评估多模态模型的安全性。研究表明，现有模型在图像与文本的联合理解方面表现不佳，准确率从90%降至20-55%。此外，模型在拒绝不安全内容与处理边界案例之间难以平衡，导致过度屏蔽或拒绝率下降。VLSU框架揭示了当前模型的不足，为未来研究提供了基础。

本文介绍了视觉语言安全理解（VLSU）框架，旨在系统评估多模态模型的安全性。研究发现，现有模型在处理图像与文本的联合理解时准确率显著下降，从90%降至20-55%。此外，模型在拒绝不安全内容与处理边界案例之间难以取得平衡。VLSU框架通过构建包含8187个样本的基准，揭示了当前模型的不足，并为未来研究提供了重要测试平台。