日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

安全性arXiv:2607.15218

言葉は安全でも行動は危険:隠れ状態リスク空間におけるテキスト安全性を超えた物理的危険の検出

When Words Are Safe But Actions Kill: Probing Physical Danger Beyond Text Safety in Hidden-State Risk Space

シェア:XThreadsFacebookLINEはてブBluesky

LLMが身体化エージェントのプランナーとして使われる際、言語的に無害な指示が物理世界で危険になる問題を研究し、コンテンツ危険と物理的危険が表現上分離可能であることを示し、隠れ状態プローブPRISMを提案して高精度で物理的危険を検出する。

詳しい要約

1. どんなもの?

本研究は、LLMがembodied agentの高レベルプランナーとして機能する際に、言語的に無害な指示が物理世界で危険な行動に繋がる問題を扱う。テキストレベルのcontent danger (CD)と物理的危険(PD)がLLMの表現において分離可能な信号であるかを、hidden-state方向分析とランダム分割nullテストで検証する。さらに、CD/PD分離性に基づき、全hidden state上の単層L2正則化ロジスティックプローブであるPRISMを提案する。また、直接的な危害キーワードを含まない1,000の物理的リスクペアからなる対照ベンチマークPhysicalSafetyBench-1K (PSB-1K)を導入する。

2. 先行研究と比べてどこがすごい?

従来のテキスト安全対策は、明示的な不適切な言葉やコンテンツの検出に焦点を当てており、物理世界に基づく危険性を見逃す可能性がある。本研究は、CDとPDが表現空間で分離可能であることを示し、テキストモデレーションを超えた表現レベルの物理的安全性を扱う点で新しい。また、同規模のLLM判定者と比較して、PRISMは安全なタスクを過剰にブロックするFPRを大幅に低減する。

3. 技術・手法の肝は?

手法の核心は、LLMのhidden state表現におけるCDとPDの分離性を利用し、全hidden stateに単層L2正規化ロジスティック回帰プローブを適用すること。プローブはPDを検出するように訓練され、テキストの明示的な内容ではなく表現の幾何学的性質に基づいて物理的危険を識別する。また、PSB-1Kは直接的な危害キーワードを避けた対照ペアで構成され、物理的危険の検出を評価する。

4. どうやって有効だと検証した?

SafeAgentBenchでPRISMは86.2–87.7%の精度、11.7–13.7%のFPRを達成し、同規模のLLM判定者は24.7–39.0%のFPRで安全なタスクを過剰にブロックした。PSB-1KではPRISMは99.6%の精度、0.7%のFPRを達成し、Qwen2.5-3B判定者は67.8%の安全なタスクを拒否した。さらに、SafeTextとEARBenchでもPRISMの有効性を再現した。

5. 議論はある?

要旨からは、CDとPDの分離性がモデルサイズやアーキテクチャに依存するか、プローブの一般化可能性、実世界のembodied agentへの適用時の限界などについての議論は不明。また、PSB-1Kの構築バイアスや、プローブが物理的危険をどの程度正確に捉えているかについての詳細な分析は要旨に含まれていない。

6. 次に読むべき論文は?

要旨で参照されているSafeAgentBench、SafeText、EARBench、および関連するhidden-state probing手法の論文が挙げられる。また、LLMの安全性に関する表現レベルの分析を行う研究や、embodied agentの安全性を扱う研究が関連する。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Weimeng Wang, Ziqiang Wang, Zihang Zhan, Chuanpu Fu, Qi Li, Ke Xu

分類: cs.AI, cs.CR

原文アブストラクト

Large language models (LLMs) increasingly serve as high-level planners for embodied agents, where linguistically benign instructions can become unsafe once grounded in the physical world. We study whether this physically grounded danger is the same safety problem as ordinary text-level content danger. Through hidden-state direction analysis and random-split null tests, we show that content danger (CD) and physical danger (PD) form separable signals in LLM representations across Qwen2.5-3B/7B/14B/32B, Phi-3.5 and SmolLM2. Building on the CD/PD separability, we propose PRISM, a single-layer L2-regularized logistic probe over full hidden states. PRISM achieves 86.2--87.7\% accuracy on SafeAgentBench with 11.7--13.7\% FPR, while same-scale LLM judges over-block safe tasks at 24.7--39.0\% FPR. We further introduce PhysicalSafetyBench-1K (PSB-1K), a contrastive benchmark of 1{,}000 physical-risk pairs without direct harm keywords, to test whether methods detect physically grounded danger rather than explicit unsafe wording. On PSB-1K, PRISM reaches 99.6\% accuracy and 0.7\% FPR, whereas a Qwen2.5-3B judge rejects 67.8\% of safe tasks. PRISM also replicates on SafeText and EARBench, supporting hidden-state probing as a representation-level method for physical safety beyond text moderation.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI