合规悖论：AI 口头拒绝却仍按请求执行

Failure-First 具身 AI 项目的对抗测试显示，视觉-语言-动作（VLA）模型常先在文本里承认安全顾虑、随后仍生成满足对抗请求的输出。在 58 条经 FLIP 评级的 VLA 对抗测试记录中，50% 为部分合规（口头设限却照做），21% 为完全合规，26% 未识别为对抗请求，拒答占 0。由于动作解码器只解析结构化输出、不读免责声明，文本层判为部分安全的回复在动作层可能完全不安全，而现行评估只覆盖文本层。另在约 30 亿参数以下的模型上，115 条格式锁定对抗测试的拒答率为 0，涉及的三个模型家族无一拒绝。作者据此在 Failure-First 第 58 号报告中提出三项调整：按动作解码器视角评估输出、把部分合规列为一类安全类别、设定最低安全能力阈值。