知识卡片：ARMOR++：多域原语的智能体编排实现深度伪造检测器的可迁移攻击

英文标题：ARMOR++: Agentic Orchestration of a Multi-Domain Primitive Set for Transferable Attacks on Deepfake Detectors
英文关键词：transferable attack, deepfake detector, multi-agent framework, vision-language model, large language model, primitive orchestration
原始来源：arXiv:2607.15246v1 (https://arxiv.org/abs/2607.15246v1)

一句话结论

ARMOR++ 是一个基于视觉-语言模型和大语言模型编排五种互补原语的多智能体攻击框架，在黑盒无查询约束下生成高可迁移性的对抗样本，在 AADD-2025 基准上显著超越现有基线，揭示了当前深度伪造检测器部署中的显著可靠性缺口。

事件概述 / 研究问题

深度伪造检测器在黑盒可迁移攻击下可靠性频繁下降，因为它们依赖脆弱且与架构相关的取证线索。现有可迁移攻击缺乏语义感知能力，且当扰动从卷积替代模型迁移到基于Transformer的目标模型时，在严格无查询条件下难以保持有效性。本文旨在解决这一局限。

方法 / 产品要点

• 多智能体框架 ARMOR++：使用 Qwen2.5-VL 视觉-语言模型提供空间语义先验，Qwen3 大语言模型负责原语选择、自适应超参数重参数化和熵正则化扰动混合。
• 五种互补原语：
  • 密集优化（dense optimization）
  • 基于显著性的方法（saliency-based methods）
  • 空间变换（spatial transformations）
  • 频域扰动（frequency-domain perturbations）
  • 块结构修改（block-structured modifications）
• 通过集成这些原语，有效针对异构归纳偏置。

主要结果或产业意义

• 在 AADD-2025 基准上的严格评估表明，ARMOR++ 在低质量与高质量图像设定下均显著优于现有的智能体与非智能体基线。
• 统计分析确认：与最先进的智能体基线相比，在盲目标攻击成功率上有实质性提升；对非智能体基线和鲁棒防御配置下也展现了额外性能优势。
• 研究结果突显当前深度伪造检测器部署中存在显著的残余可靠性缺口，并展示了智能体编排在识别潜在脆弱性方面的有效性。

为什么重要

• 本卡片是首次系统性介绍 ARMOR++ 框架的中文知识卡，与已有相关卡片（如 WebSwarm 的多智能体编排）形成延续：WebSwarm 专注搜索任务，ARMOR++ 则将其思路拓展至对抗攻击领域，并引入视觉-语言模型语义先验。
• 工作直接挑战了当前深度伪造检测器的防御假设，指出即使采用鲁棒配置，黑盒可迁移攻击仍能找到漏洞，对AI安全部署具有警示意义。

局限与不确定性

• 论文未提及在不同攻击目标模型架构（如纯Transformer vs 混合架构）上的详细分解性能差异，待核实。
• 框架对 Qwen2.5-VL 和 Qwen3 模型本身的依赖程度、以及更换其他VLM/LLM后的鲁棒性未讨论，待核实。
• 攻击的计算开销（如推理时间、GPU资源需求）未在摘要中提供，待核实。

可用于图书 / PPT / 简报的角度

• AI安全：从“被动防御”转向“主动攻防评估”——展示如何利用智能体系统系统性探索检测器盲区。
• 多智能体系统：将LLM作为编排中心的案例，说明如何协调多个工具/原语完成复杂任务。
• 深度伪造治理：提出检测器可靠性评估的新挑战，为法规和政策制定者提供技术瓶颈的参考。

原始材料

• 标题: ARMOR++: Agentic Orchestration of a Multi-Domain Primitive Set for Transferable Attacks on Deepfake Detectors
• 作者: Christos Korgialas, Gabriel Lee Jun Rong, Dion Jia Xu Ho, Pai Chet Ng, Xiaoxiao Miao, Konstantinos N. Plataniotis
• 发布/更新: 2026-07-16
• 类别: cs.CV
• 摘要来源: https://arxiv.org/abs/2607.15246v1
• PDF链接: https://arxiv.org/pdf/2607.15246v1