Les grands modèles vision-langage (LVLM) ont accompli des progrès remarquables dans diverses applications, mais restent vulnérables aux requêtes malveillantes exploitant la modalité visuelle. Les approches actuelles d’alignement peinent généralement à résister aux requêtes malveillantes tout en préservant efficacement l’utilité des requêtes innocentes. Pour relever ces défis, nous proposons DAVSP (Deep Aligned Visual Safety Prompt), fondé sur deux innovations clés. Premièrement, nous introduisons le Visual Safety Prompt, une région ajoutée comme remplissage ajustable autour de l’image d’entrée. Cette approche préserve les caractéristiques visuelles tout en élargissant l’espace d’optimisation. Deuxièmement, nous proposons une méthode originale appelée Deep Alignment, qui entraîne le prompt de sécurité visuelle à l’aide d’une supervision dans l’espace d’activation du modèle. Cette méthode renforce la capacité intrinsèque des LVLM à détecter les requêtes malveillantes, atteignant un niveau d’alignement plus profond que les approches antérieures. Des expérimentations étendues sur cinq benchmarks, menées sur deux LVLM représentatifs, démontrent que DAVSP résiste efficacement aux requêtes malveillantes tout en préservant l’utilité des entrées innocentes. En outre, DAVSP présente une remarquable capacité de génération transmodèle. Des études d’ablation confirment que les deux composants — le Visual Safety Prompt et Deep Alignment — sont essentiels, contribuant conjointement à son efficacité globale.