每日论文：GoBA 通过物理物体对 VLA 模型实施目标导向后门攻击

Zhou 等人提出 GoBA（Goal-oriented Backdoor Attack），证明放置在机器人环境中的物理物体可作为后门触发器，把 VLA 模型从被指示的任务重定向到攻击者指定的目标行为，在触发场景中目标完成率达 97%，同时在干净输入上性能不变。研究者构建了 LIBERO 基准的投毒版本 BadLIBERO，加入多种触发物体与目标导向的动作重定向，并提出三级评估框架，区分模型忽略触发、尝试目标行为和完成目标行为。分析发现，干净任务与后门目标之间的动作轨迹相似度会显著影响成功率，触发物体的颜色影响视觉显著性，但物体大小影响不大。作者指出，该攻击在训练阶段把恶意行为写入模型权重，因此推理阶段的监控、输入过滤和输出校验都难以发现，而当前 VLA 数据管理实践主要关注演示质量和任务覆盖，而非对抗性数据完整性。