arXivLabs 是一个框架,允许合作者直接在我们的网站上开发和分享新的 arXiv 功能。
有一个可以为 arXiv 社区增加价值的项目想法吗?了解更多关于 arXivLabs 的信息:https://info.arxiv.org/labs/index.html。


BadWAM 提出一种针对世界-动作模型(WAM)的对抗攻击框架,通过微小视觉扰动破坏模型"想象未来"与"执行动作"之间的对齐。攻击分为两类:动作攻击直接将任务成功率从 96....
BadWAM 提出一种针对世界-动作模型(WAM)的对抗攻击框架,通过微小视觉扰动破坏模型"想象未来"与"执行动作"之间的对齐。
攻击分为两类:动作攻击直接将任务成功率从 96.5% 降至 43.1%; 想象保留攻击则在保持未来预测接近正常的同时诱导有害动作,暴露了 WAM 特有的安全脆弱性。
arXivLabs 是一个框架,允许合作者直接在我们的网站上开发和分享新的 arXiv 功能。
有一个可以为 arXiv 社区增加价值的项目想法吗?了解更多关于 arXivLabs 的信息:https://info.arxiv.org/labs/index.html。


arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website.
Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs :https://info.arxiv.org/labs/index.html.


Aioga 编辑摘要:BadWAM 提出一种针对世界-动作模型(WAM)的对抗攻击框架,通过微小视觉扰动破坏模型"想象未来"与"执行动作"之间的对齐。 Aioga 将其归入「论文研究」方向,重点关注它对真实使用和行业竞争的影响。
背景分析:模型与研究类动态需要结合能力边界、开放方式、成本、可用性和真实任务表现判断,单项指标领先不等于已经形成稳定采用。
Aioga 判断:这条动态更适合作为行业观察信号,当前信息足以建立线索,但不足以推导长期结论。
影响分析:对相关团队而言,短期应先核对来源、可用范围和实际成本,再判断是否值得接入或跟进。 后续观察:继续观察官方文档、实际可用性、价格变化、开发者反馈和竞品回应。
本页正文由公开来源页面提取并按原有信息整理,同时保留来源、发布时间和原文入口。版权归原作者及来源网站所有,请通过原文链接核验和阅读来源版本。
抓取通道: 摘要聚合 · 原始域名: arxiv.org
来源: HuggingFace Daily Papers(社区热门论文)
原文链接: 打开原始来源
Aioga 归档: 查看情报页
Content record: source-page · Updated: 2026-07-16T00:00:00.000Z

统一接入主流 AI 模型 API,为开发、测试与生产环境提供稳定调用入口。
立即访问 api.w173.comAioga 自动聚合全球 AI 动态,并保留来源信息用于核验与引用。