當文字安全但行動致命：在隱藏狀態風險空間中探測物理危險

大型語言模型作為具身智能體高層規劃器時存在安全悖論：語言上良性的指令在物理世界中可能轉化為危險行動。研究透過隱藏狀態方向分析與隨機分割零測試，證實內容危險與物理危險在模型內部表示中是可分離的信號，並在多個主流模型中驗證了該現象。作者提出PRISM方法——一種基於全隱藏狀態的單層L2正則化邏輯探針。實驗表明，PRISM在SafeAgentBench上達到86.2%至87.7%的準確率，同時保持極低誤報率，顯著優於同等規模LLM裁判。研究同時引入PhysicalSafetyBench-1K基準，專門測試對無直接危害關鍵詞的物理風險檢測能力。結果表明PRISM幾乎完美區分安全與危險任務，而傳統LLM裁判存在嚴重過度攔截問題。這項工作為超越文字審查的表示層物理安全檢測提供了新範式。