في عصر يشهد تقدماً هائلاً في الذكاء الاصطناعي، تواصل نماذج اللغة والرؤية الكبيرة (Large Vision-Language Models) إثارة الجدل والاهتمام. على الرغم من الأبحاث المتعددة التي تناولت كيفية تجاوز هذه النماذج باستخدام النصوص والصور، إلا أن محاولات الهروب عبر الفيديو لم تحظ بعد بالدراسة الكافية. تم تناول الموضوع حديثاً من خلال دراسة مبتكرة تُعرف بـ TempJail، التي تقدم إطاراً جديداً يعتمد على استخدام الترجمات الفرعية كوسيلة للهروب.

تكشف التحليلات أن فعالية هذه الهجمات لا تعتمد فقط على المعاني التي تحملها المعلومات النصية، بل تتعلق أيضاً بكيفية تنظيم هذه المعلومات على مر الزمن. فعند التفكير في ذلك، نجد أن استخدام الترجمات الفرعية هو الحل المثالي، حيث يمكن تقديم المحتوى الدلالي تحت تحكم زمني دقيق، دون أن يظهر بشكل مزعج للمشاهد.

تعتبر TempJail بمثابة إطار اختراق يعتمد على الفيديو، حيث يقوم بتخطيط حوارات نصية تتماشى مع توقيتات محددة بغرض استغلال الثغرات الزمنية في نماذج LVLMs. وقد أظهرت التجارب على أربعة نماذج تمثيلية وبيانات مختلفة أن هذه الطريقة حققت أعلى معدل نجاح في الهجمات، متجاوزة أقوى الأساليب المتاحة باستخدام 53 و 18 نقطة مئوية في متوسط معدلات النجاح على نماذج GPT-5 و Gemini 3.5-Flash على التوالي.

من خلال هذا البحث الثوري، يبرز تساؤل جديد: كيف يمكننا التحضير لأساليب الدفاع ضد مثل هذه الهجمات المتطورة في المستقبل؟