VLA 指令中的隐含危害：文本守卫漏检，机器人照样执行

研究测试 VLA 安全监视器能否识别"任务无害但动机有害"的指令，发现 π0.5 在各种意图显式程度下均照常完成任务，与无害对照组无异。文本守卫几乎能拦下直白请求，却漏掉隐含危害：最高 95% 的隐含危害运行完成任务且未触发告警，重新校准后仍达 90%。监控模型激活也未能弥合差距，线性探针在基础语言与视觉-语言模型中近乎完美区分有害指令，但经机器人训练后该分离度在两个模型族中减弱。