视觉语言大模型（Vision Language Model, VLM) 在自动驾驶（Autonomous Driving, AD) 的初步应用还是在视觉问答上（Vision Question Answering, VQA）， 针对这一简单的应用，比赛的设定目的是构造对抗样本，使得基础大模型（Fundation Models, FM)在VQA任务上失败，同时保持图像结构一致性的限制（SSIM）。
在本次比赛中，攻击的关键在于排版攻击，字体越大，攻击效果往往越好，可惜我们还是太保守了，没有将字体设置的太大，因为对抗样本的有效性要求：对图像的干扰不能使得原图的真相无法被人眼分辨。
我们的比赛成绩获得了Top-3，相关展示在这里：
https://youtu.be/U3SiUQvZ5LM?t=378
排行榜：
https://cvpr24-advml.github.io/#challenge
打赏作者
