Un article de recherche soumis à arXiv le 28 octobre décrit une méthode permettant de créer diverses attaques par image, susceptibles d’amener de grands modèles de langage multimodaux (MLLM) — des systèmes d’IA qui traitent aussi bien les images que le texte — à répondre à des demandes préjudiciables. Les auteurs ont baptisé cette méthode Jailbreak Connectivity. Leurs tests font état de taux de réussite élevés contre plusieurs modèles, mais il s’agit des évaluations présentées dans l’article, et non d’une confirmation indépendante que les attaques fonctionnent dans toutes les situations.
Au lieu d’optimiser une image à la fois, Jailbreak Connectivity recherche des trajectoires dans l’espace des images le long desquelles l’attaque reste efficace. L’échantillonnage de ces trajectoires produit différentes images conçues pour déclencher la même réponse non sécurisée. La méthode utilise également de petits classificateurs « substituts » — des modèles plus simples qui aident à orienter les attaques contre d’autres systèmes — et un objectif conçu pour fonctionner avec diverses requêtes préjudiciables, plutôt qu’une seule.
Que révèlent les tests ?
Sur MM-SafetyBench, l’article indique des taux moyens de réussite des attaques de 84.01% contre Qwen3-VL-8B-Instruct, de 85.77% contre InternVL3.5-8B et de 97.95% contre Gemma-3-12B-IT. Selon les auteurs, ces résultats dépassent ceux des méthodes de comparaison les plus performantes de jusqu’à 68.36 points de pourcentage. Il s’agit du plus grand écart rapporté, et non d’une affirmation selon laquelle tous les modèles auraient été battus dans cette proportion.
L’article décrit également des évaluations en boîte noire, dans lesquelles les attaquants testent un modèle sans avoir accès à son fonctionnement interne. Par rapport à une méthode d’attaque appelée FigStep, Jailbreak Connectivity aurait augmenté le taux de réussite de 24.69 points de pourcentage sur GPT-5.6 et de 27.34 points sur Gemini 3.1 Pro. Le résumé ne précise ni les taux de départ ni les conditions des tests, et ne fournit pas les détails nécessaires pour déterminer dans quelle mesure ces résultats s’appliquent à d’autres versions ou à une utilisation réelle.
Ce que les résultats montrent — et ne montrent pas
Cette étude s’inscrit dans les recherches visant à déterminer si les images fournies à une IA peuvent affaiblir les mesures de sécurité des assistants. Sa thèse centrale est que les attaques visuelles efficaces pourraient former des zones connectées plutôt que des exemples isolés, ce qui permettrait aux chercheurs de générer des attaques plus variées et d’évaluer leur transfert d’un modèle à l’autre. Les taux de réussite rapportés en font un enjeu important pour les développeurs qui évaluent des systèmes capables de traiter des images, mais ils ne montrent pas que les utilisateurs ordinaires peuvent contourner systématiquement les garde-fous lors de conversations courantes.
Dans son résumé, l’article présente ces résultats comme la preuve de faiblesses structurées dans l’alignement des systèmes sur les exigences de sécurité. Il n’établit pas les performances de la méthode en dehors des évaluations citées, ni si les fournisseurs des modèles ont modifié leurs garde-fous en réaction. Ces questions doivent être clarifiées avant de considérer les chiffres des tests comme une mesure du risque pour les utilisateurs.
Pourquoi c'est important
Pour les utilisateurs d’assistants IA capables de traiter des images, l’article met en lumière une possible faille des garde-fous : une image pourrait contribuer à obtenir une réponse préjudiciable, même lorsque le système est conçu pour la refuser. Les tests rapportés portent sur des versions de modèles et des bancs d’essai précis ; ils ne permettent donc pas de savoir quelle est la probabilité qu’un tel contournement se produise dans une utilisation courante.
