多模态大语言模型（MLLM）在黑盒场景下仍然容易受到可转移对抗样本的攻击，攻击者只能使用开源的代理模型。现有的目标转移攻击主要通过全局图像级特征（如编码器的 [CLS] 向量）对齐对抗样本和目标样本，但这种粗粒度的对齐忽略了图像的局部视觉结构，导致在异构闭源 MLLM 上的转移成功率受限。\ \ 我们提出 IAU-FOA（Visual‑Invariance‑Augmented Feature Optimal Alignment），通过全局与局部双层对齐提升针对闭源 MLLM 的目标转移攻击效果。全局层面使用余弦相似度目标压缩对抗样本与目标样本的语义差距；局部层面将图像的 patch token 聚类为紧凑的局部模式，并利用最优传输匹配这些模式，实现细粒度特征对齐。\ \ 传统的平衡最优传输要求每个局部簇都有固定的边际质量，即使该簇在目标图像中没有可靠对应，也会产生误导性的对齐梯度。为此我们引入 confidence‑adaptive unbalanced transport，对匹配度低的簇放宽质量约束，从而削弱不可靠的局部对齐，提升整体的对抗转移性。\ \ 此外，我们研究了输入变换的影响，提出 视觉不变增强：通过双向像素强度重新缩放和每通道白平衡调节，模拟曝光、对比度、光照和色温的变化。这一策略迫使对抗扰动在不同视觉编码器下保持鲁棒。\ \ 在多个开源和闭源 MLLM 上的大规模实验表明，IAU-FOA 在转移成功率和攻击效率上持续超越现有最先进的可转移攻击方法。代码已开源：https://github.com/jiaxiaojunQAQ/IAU-FOA。\ \ 点评