FlowHijack：面向流匹配视觉-语言-动作模型的动态感知后门攻击

视觉-语言-动作（VLA）模型正成为机器人领域的基石，流匹配政策如 $\pi_0$ 在生成平滑、连续动作方面展现出巨大潜力。随着这些模型的发展，其独特的动作生成机制——向量场动力学——构成了尚未被充分探索的安全漏洞，尤其是后门漏洞。现有针对自回归离散化 VLA 的后门攻击无法直接应用于这种连续动力学。我们引入 FlowHijack——首个系统性针对流匹配 VLA 底层向量场动力学的后门攻击框架。该方法结合 novel $\tau$-conditioned 注入策略，操控动作生成的初始相位，并引入动力学模仿正则化器。实验表明，FlowHijack 能够以高成功率实现 stealthy、context-aware 的触发器，而先前工作往往失败。关键在于，它保留了良好任务性能，并通过强制 kinematic similarity，生成与正常动作在行为上难以区分的恶意动作。我们的发现揭示了连续具身模型中的重大漏洞，凸显了针对模型内部生成动力学的防御迫切需求。