该论文关注虹膜活体检测（Presentation Attack Detection, PAD）在真实部署中的鲁棒性问题：一个在开发阶段表现可靠的子模块，一旦遇到验证集中从未出现过的呈现攻击工具（Presentation Attack Instrument, PAI）或采集条件，检测性能可能急剧下降。作者在 LivDet-Iris 2017 的 Notre Dame 子集上，对三个从零训练（不使用外部预训练权重、不做数据增强）的紧凑型视觉模型进行基准测试，每个模型可训练参数量不超过约 26 万，并覆盖五个随机种子以降低偶然性。评估采用跨域设定：先在验证集上选定一个阈值，随后不加修改地迁移到已知攻击（known-attack）、未知攻击（unknown-attack）、环境退化（corrupted）以及合并（pooled）四个测试分区，从而量化阈值与模型在分布偏移下的表现衰减。结果显示，从已知攻击迁移到未知攻击时，攻击呈现分类错误率（APCER）上升 17.11 至 30.47 个百分点，检测等错误率（D-EER）上升 7.38 至 12.73 个百分点。在验证集阈值下，ZACH-ViT 取得最低的未知攻击 APCER（47.69±4.84%）与 D-EER（38.87±0.93%），Compact-TransMIL 则在真实呈现分类错误率（BPCER）上最优；在将 APCER 限制在 10% 的条件下，ZACH-ViT 仍给出最低的未知攻击 BPCER（81.29±1.95%）。作者强调，尽管紧凑模型之间存在相对优劣，但其绝对错误率依然很高，说明『最佳紧凑模型』的相对优势并不等同于在未知 PAI 场景下具备部署就绪性。论文也隐含指出现有评估协议若只看同分布指标会系统性高估实际防护能力，适合生物特征安全、模型鲁棒性与边缘设备部署方向的研究者与工程评估人员阅读。