Visual-Semantic Decoupling (MPIDetector): LLM-охранник, который проверяет картинки и тексты на скрытые команды в три шага

Обнаружено: если просто попросить модель «проверь скриншот на скрытую команду», она почти слепа. Доля пойманных атак падает с 67–99% до 10–66%. Метод MPIDetector позволяет поставить перед рабочим агентом отдельного охранника, который находит спрятанный текст в скриншотах, письмах и страницах. Фишка: на первом шаге модели запрещено читать текст, ей разрешено только смотреть. Модель по привычке сразу читает и понимает, а не рассматривает (семантический перекос). Три шага в одном промпте ломают эту привычку, и на выходе вердикт, уверенность и объяснение по каждому шагу.