BadWAM：想对了但执行错了
Qi Li · hf · 2026-07-17
## BadWAM：世界-动作模型会“想对了，做错了” 这篇论文研究 **World-Action Models（WAMs）** 的对抗脆弱性。WAM 的卖点是把动作生成和未来世界预测耦合在一起，因此常被认为更稳健、可解释，也更安全；但作者指出，这种“想象-执行一致性”其实很脆弱。 ### 论文提出的攻击 **BadWAM** 统一描述并评估一类针对 WAM 的 **World-Action Drift Attacks**： - **action-only attack**：优先破坏任务，直接把模型推向失败动作 - **imagination-preserving attack**：同时追求隐蔽性，让模型表面上仍预测出合理未来，但执行时动作已经偏移 ### 结果 - 在不同 WAM 变体上都能显著降低闭环执行成功率 - 文中给出的例子里，action-only 攻击把成功率从 **96.5% 降到 43.1%** - 即使加入一定的未来保真正则，也仍可能维持较强攻击效果 结论是：WAM 的“想得像样”并不等于“做得安全”。