该论文首次系统研究了量化视觉-语言-动作（VLA）模型在权重位翻转攻击下的安全脆弱性。研究背景在于，VLA模型通常以INT8量化部署于边缘设备，而Rowhammer等硬件故障可导致模型权重中的比特位被翻转，从而破坏模型的决策行为。论文提出了一种基于梯度选择的高效位翻转攻击方法：仅需少量精心挑选的比特翻转即可使闭环任务成功率降至0%，而随机翻转数百个比特则几乎无影响。这一攻击不需要任何输入样本，仅针对模型权重。为了评估不同动作解码架构的影响，作者在四种模型变体、三种动作头家族上进行了实验。结果表明，关键比特集中在少数动作生成层中，但攻击所需的翻转预算严重依赖于动作头的类型：直接回归和token策略仅需1-5次翻转即可成功，而流匹配策略则需要约100-300次。作者进一步提出了一种固定方向的流形逃逸损失函数，将视觉-语言-动作模型（π₀）的攻击预算从约1000次降至约100次翻转，并通过五方向扫描证明攻击并非仅针对单一正方向。针对直接回归头，保护3.1%的权重可在K=100次翻转下保持60%的成功率，而保护5.3%的权重可将开环失效阈值从3次提升到100次。最后，在真实机器人上通过任务校准的模拟K=100次翻转实现了0/20成功，而干净模型为14/20，全局随机翻转则保持16/20。研究结论认为，权重完整性是具身基础模型的安全边界。该工作为VLA模型的安全部署提供了量化洞察，并为后续防御研究奠定了基础。