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。