统一视觉-语言模型通过指令控制在共享架构下完成多种视觉与语言任务，但这一特性也带来了新的安全风险，即对抗样本需要在多个不可预测的任务指令下同时保持攻击有效性。本文提出了CrossVLAD，一个基于MSCOCO并结合 GPT-4 辅助标注的跨任务对抗攻击评测基准，用于系统评估统一视觉-语言模型在多任务场景下的对抗鲁棒性。该基准聚焦于目标类别篡改攻击，并提出新的跨任务成功率指标，以衡量对抗样本在多个任