“随着多模态大模型与生成式人工智能技术的快速发展，图像与视频的获取、理解与生成方式正在发生深刻变革。以视觉—语言预训练模型和扩散生成模型为代表的新一代人工智能体系，在语义对齐、跨模态理解与高保真内容生成等方面展现出强大的能力，显著推动了智能安防、内容生产、工业检测和公共治理等应用场景的发展。然而，视觉智能能力的快速扩张也带来了日益突出的安全风险与治理挑战：在理解层面，模型在复杂环境、开放场景和弱监督条件下易产生误判、偏差与鲁棒性不足；在生成层面，高保真合成图像与视频被滥用于深度伪造、虚假信息传播和隐私侵犯，对社会信任与公共安全构成威胁。因此，围绕“大模型时代的视频与图像安全”开展系统性研究具有重要的理论价值与现实意义。”