该论文提出了一种针对视觉-语言-动作（VLA）模型和世界动作模型（WAM）的知识产权保护方法。这类模型正成为通用机器人控制的核心，将原始摄像头输入直接转化为电机指令，通常以黑盒服务形式部署（参数私有化）。由于训练此类模型需要专有数据和大量算力，部署后的模型本身成为宝贵资产。为此，作者提出了基于密钥的潜在来源验证方法，通过在模型生成前注入与常规噪声同分布的密钥化高斯噪声种子，对策略进行指纹标记。指纹注入后，水印动作与正常动作在统计上无异，攻击者无法从输出中检测或移除水印。验证时，所有者以授权方式运行可疑模型，记录机器人执行的动作通道（可能是不完整或后处理的策略输出视图），通过基于梯度的最大后验（MAP）优化恢复种子，检验是否包含密钥，并聚合多个轨迹的评分以判定可疑模型是否属于所有者。该方法在两个机器人套件上的两个代表性模型上进行了评估，实验覆盖了指纹检测、多密钥识别、多种攻击下的鲁棒性及设计原理分析。结果表明，指纹能在任务性能几乎不变的情况下可靠检测，且能抵御输出端移除攻击和权重级修改。