大型音频语言模型中的音频越狱：分类、攻防分析与成本感知评估

大型音频语言模型（LALMs）将越狱风险从 token 级别的提示扩展到完整的语音感知到推理管道，通过语义、声学风格、信号瑕疵或内部表示诱导不安全行为。现有工作在异构的威胁模型和评估协议下研究这些风险，难以比较攻击的实际性或防御的实用性。本文提供了统一的分类体系和受控的经验性评估，用于评估 LALM 攻击与防御。我们将已有工作组织为语义攻击、声学攻击、信号攻击和嵌入层攻击；防御分为基于守卫的、无训练的和基于训练的防御；以及跨模态、音频原生和交互式基准。随后我们在十个开源 LALMs 上评估代表性攻击与防御，不仅衡量攻击成功率，还衡量良性拒绝率和延迟。我们的结果表明，Acoustic Best-of-N 揭示了强大的音频空间脆弱性，Narrative Framing 是一种有效的低延迟语义威胁，而当前防御在鲁棒性与良性可用性之间进行权衡。这些发现支持成本和效用感知的评估，作为成功率唯一标准的 LALM 安全基准的必要补充。