本文首次系统性地研究了视觉-语言-动作（VLA）模型在会员推断攻击（MIA）下的隐私脆弱性。VLA模型通过融合视觉、语言和动作信号实现端到端机器人控制，但训练数据的高昂采集成本使得数据记忆引发的隐私泄露和知识产权侵权问题尤为突出。会员推断攻击旨在判定给定样本是否属于训练集，然而现有研究尚未涉及VLA模型。为此，作者提出了VLALeaks攻击框架，利用VLA模型中注意力机制的差异进行攻击。该方法分为两个阶段：首先提取会员特征，即通过分析模型在不同输入上的注意力分布差异来捕捉会员信息；然后构建攻击模型，通过二分类器判断样本是否属于训练集。在多个VLA基准数据集上的实验表明，VLALeaks能够有效揭示会员信息，并在AUC和TPR@1%FPR指标上达到最优性能，充分暴露了当前VLA模型部署中的隐私隐患。该工作为构建安全可信的VLA模型提供了重要洞察。