内容摘要
智能体观察时安全的路径，可能在推理结束前因行人或车辆移动而变得危险。作者提出城市导航仿真基准RT-SAFE，将决策延迟纳入安全评测：环境在推理和动作执行期间持续演化，分别记录推理期被动碰撞与执行期主动碰撞，并将到达目标与无安全事件的完成分开评价。
基准包含五张城市地图、36条路线。作者对八个视觉语言模型进行评测，在困难环境、厂商默认推理设置下比较288组配对模型—任务。静态模式仅在推理时暂停环境；两种模式的任务完成率分别为91.3%和94.1%，但安全完成率从19.8%降至0.7%，每回合碰撞从3.31次升至40.68次，为原来的12.3倍；实时碰撞中约84%发生在推理期间。
增加推理投入也未稳定改善整体安全：从默认提升至较高档位后，平均每回合碰撞由40.7次升至62.0次，任务完成率则由94.1%变为94.8%。这些结果属于作者的仿真实验；静态与实时对照还同时改变了提示中的时序指令，不能把行为差异全部归因于环境是否暂停。
点评
该研究提示，导航评测应同时考察任务完成、安全事件与响应延迟；完成率相近可能掩盖显著不同的安全表现。
结论限于作者的仿真协议，不宜外推真机安全。碰撞计数允许持续接触产生重复事件；不同推理档位也不代表跨厂商等价的计算预算。
版本与核查范围
版本 2610.09294v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1；#abstract1.1；#S2.SS1.SSS0.Px2.p1.1；#S2.SS4.SSS0.Px1.p1.1；#S2.SS2.SSS0.Px1.p1.1；#S3.SS1.p1.1；#S3.SS3.p1.1；#S3.SS3.SSS0.Px1.p1.1；#S3.SS4.SSS0.Px1.p1.1；#S3.SS3.p1.1；#S5.p1.1；#abstract1.1