arXiv new/cross; VLM tokenizer security/diagnostics · 扫读 · 2026-07-02

Steal the Patch Size：它和通用视觉自监督的关系在于：安全论文，但黑盒恢复 VLM patch size / preprocessing 的 side channel 很能说明 tokenizer 接口的可见性

中相关；详见方法、贡献和实验边界。

Steal the Patch Size: Adversarially Manipulate Vision-Language Models　arXiv new/cross; VLM tokenizer security/diagnostics　原文链接

编号2607.00174 优先级扫读类别arXiv new/cross; VLM tokenizer security/diagnostics 会议arXiv new/cross; VLM tokenizer security/diagnostics 方法安全论文，但黑盒恢复 VLM patch size / preprocessing 的 side channel 很能说明 tokenizer 接口的可见性来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：安全论文，但黑盒恢复 VLM patch size / preprocessing 的 side channel 很能说明 tokenizer 接口的可见性。中相关；详见方法、贡献和实验边界。

**Figureure 12 · GPT-4.1-mini accuracy on the grid-size counting task $(7 \times 7)$ ac**Figure 12. GPT-4.1-mini accuracy on the grid-size counting task $(7 \times 7)$ across cell sizes D (no padding). GPT-4o results under different resizing pipeline The left three figures in Figure 13 show GPT-4o accuracy under zero padding to different canvas sizes with “detail=high”. The right three figures in Figure 13 show GPT-4o accuracy under zero padding to different canvas sizes with “detail=auto”.这张图概括 Steal the Patch Size 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figureure 11 · GPT-4.1-mini accuracy on the grid-size counting task $(5 \times 5)$ ac**Figure 11. GPT-4.1-mini accuracy on the grid-size counting task $(5 \times 5)$ across cell sizes D (no padding).这张图/表用于判断 Steal the Patch Size 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

核心问题

它和通用视觉自监督的关系在于：安全论文，但黑盒恢复 VLM patch size / preprocessing 的 side channel 很能说明 tokenizer 接口的可见性。

方法拆解

安全论文，但黑盒恢复 VLM patch size / preprocessing 的 side channel 很能说明 tokenizer 接口的可见性

主要贡献

中相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。