研究：VLA 指令中的隐含危害易被文本守卫漏检

研究测试了监控器能否拦截因有害目的而请求的普通机器人任务，实验固定任务内容、只改变意图表述的明确程度。π0.5 在每一级明确程度上都完成任务，频率与无害对照组相当；文本守卫能标记几乎所有直白请求，但漏掉大量隐含请求，最多 95% 的隐含危害运行以任务完成且无告警结束，即便按机器人指令重新校准并在低误报率下，多数仍会漏过。监控模型激活也无法弥补这一差距：线性探针在基础语言模型和视觉语言模型中几乎能完美区分有害与无害指令，但在两个模型家族完成机器人训练后这种区分能力减弱，隐含危害上减弱最多。