SafetyALFRED：评估多模态大语言模型的安全意识规划能力

多模态大语言模型正日益被用作交互环境中的自主智能体，但其主动应对安全隐患的能力仍显不足。本文提出 SafetyALFRED，基于具身智能体基准 ALFRED 构建，并增加了六类现实厨房 hazards。现有安全评估多集中于非具身的问答识别，而本研究对 Qwen、Gemma 和 Gemini 系列的十一个前沿模型进行了评估，不仅考察隐患识别，更关注通过具身规划进行的主动风险缓解。实验揭示了显著的“对齐差距”：模型在问答中能准确识别隐患，但在实际执行中的缓解成功率较低。研究表明静态问答评估不足以保障物理安全，呼吁转向重视具身语境下纠正行动的评估范式。