本文研究自监督语音模型（S3Ms）表示学习中的局部几何变化，提出一种基于局部内在维度（LID）的异常检测框架GRIDS。作者发现，自然扰动（如噪声）和对抗扰动会以不同方式改变深层表示的局部维度：低信噪比（SNR）下LID普遍上升；高信噪比下良性噪声的LID趋向于干净样本，而对抗样本则在前几层保持LID升高。进一步实验表明，LID上升与词错误率（WER）恶化存在共现关系，且基于逐层LID特征训练的分类器能有效检测异常（AUROC 0.78-1.00），为无需转录文本的S3M监控提供了新思路。该工作主要利用WavLM和wav2vec 2.0模型，在LibriSpeech等数据集上评估。