本文研究了影响对抗样本传递性的因素，提出了多种增强传递性的方法，如方差降低攻击、GAMA和查询先验方法等。实验结果表明，这些方法在CIFAR和ImageNet数据集上显著提高了对抗攻击的可转移性和效率。此外，研究引入了TAA-Bench基准框架，为不同模型的比较分析提供了标准化平台。

该研究介绍了一种基于大型语言模型的可伸缩的AQA数据生成流程，生成了高质量的AQA数据集，并提供了三个广泛和高质量的AQA基准数据集。该框架和数据集推动了AQA研究的进展，训练的模型在性能上优于现有的最先进模型，并表现出更强的泛化能力。