ForesightSafety-VLA：面向视觉-语言-动作模型的统一诊断性安全基准

在具身智能中，安全性是机器人在物理世界可靠部署的先决条件。当前视觉-语言-动作（VLA）模型持续朝通用任务能力推进，但其具身安全界限仍知之甚少。为弥补此差距，我们引入ForesightSafety-VLA，一个将安全作为VLA系统主要评估目标的诊断性基准。我们定义涵盖物理交互安全（Safe-Core）、指令侧安全（Safe-Lang）与感知侧安全（Safe-Vis）的13类安全分类法，并在三种受控变化维度——场景结构、语言指令与视觉观测——下评估策略，从而可诊断失败来源而非隐藏于单一聚合分数中。除二元任务成功外，ForesightSafety-VLA通过累积安全代价（CC）与风险暴露时间（RET）以及安全/不安全成功与失败的四象限分解来衡量过程级风险。我们在RoboTwin中实例化66个安全增强基础场景，跨5种具身形态，并报告代表性VLA基线结果。在所评估基线中，即便最强策略也产生非平凡安全代价与不安全的名义成功，而结构与视觉变化引发的安全退化远强于普通语言变化。这些结果表明具身安全紧密耦合于感知、接地与控制能力，而非可归约为事后安全过滤本身。