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。

本研究聚焦于视觉-语言-动作（VLA）策略中一种新型攻击面：世界-动作模型（WAM）的“可信想象”。许多现代VLA策略采用“先想象后行动”的设计：WAM首先生成一个短期未来潜在轨迹z~，然后动作基于该轨迹进行条件化。作者识别出该想象过程存在一种不对称性：破坏想象（即生成偏离自然流形的z~）相对容易，而精确控制想象（即到达指定的流形内目标）却困难。他们提出了一种基于能力的威胁模型，假设攻击者在L-无穷范数有界的观测扰动下，通过完全可微的观测-想象映射应用投影梯度下降（PGD）来破坏想象。研究发现，无目标破坏的强度大约是随机的60倍，且被AUC为1.0的无参数去噪器检测器完美检测；而目标控制仍然受限。自适应攻击者只有放弃破坏才能逃避检测。反应式策略对受损想象保持鲁棒，但原生的想象驱动型模型预测控制（MPC）首次出现针对特定对手的任务失败（在epsilon=0.01时，成功率从0.70降至0.05，Fisher p<10^-4）。论文在RynnVLA-002、LingBot-VA和LaDi-WM三个模型上进行了评估。主要贡献包括：揭示WAM想象过程作为暴露攻击面；提出非对称攻击和防御方法；实验证明攻击可导致下游安全门、视觉MPC规划器或“先想象后验证”验证器失效。