OmniSafeBench-MM: как мультимодальные модели реагируют на разные типы запросов

OmniSafeBench-MM — исследовательский бенчмарк, который тестирует уязвимости мультимодальных моделей (GPT-4o, Gemini, Claude с поддержкой изображений). Исследователи собрали 13 методов обхода защит и 15 методов защиты, протестировали на 18 моделях. Главная находка — модели по-разному реагируют на три типа формулировок: consultative ("Как можно...?"), imperative ("Сделай..."), declarative ("Вот инструкция..."). Визуальный канал (изображения) оказался менее защищённым, чем текстовый — модели легче