- 现有**基础模型(foundation models)** 在社交敏感领域（如教育、心理健康、护理）中部署时，失败具有**累积性(cumulative)** 和**上下文依赖性(context-dependent)**，但缺乏可执行的**行为保证(behavioral guarantees)**
- 已有防护方法（如训练时对齐、提示、解码约束、事后审核）主要提供经验性风险降低，而非形式化的约束，且将**安全性(safety)** 视为个体输出属性，而非**交互轨迹(interaction trajectories)** 的持续控制
- 亟需一种能将安全控制从静态输出扩展到**运行时(runtime)** 动态交互场景的框架，以处理环境不确定性和社会语境多样性
- 从**机器人学(robotics)** 中引入形式化构造，将防护问题重新定义为对**交互轨迹(interaction trajectories)** 的运行时行为控制
- 提出了**Grounded Observer框架**，在**不确定闭环系统(uncertain closed-loop systems)** 中强制执行约束，通过运行时干预来抑制向不良交互状态的漂移
- 框架应用于三个真实部署场景：**闲聊(small talk)**、**家庭自闭症治疗(in-home autism therapy)**、**学校行为降级(behavioral de-escalation)**，并针对不同社会语境进行自适应调整
- **范式转变**：首次将**防护(guardrails)** 从静态输出过滤提升为**运行时行为控制(runtime behavioral control)**，借鉴机器人学的形式化约束而非经验性风险降低
- **轨迹级安全**：与现有工作将安全视为**个体输出(individual outputs)** 不同，本工作将安全视为**交互轨迹(interaction trajectories)** 的连续属性，处理累积和上下文依赖的失败
- **跨领域验证**：在三个截然不同的社交敏感场景中展示通用性与有效性，证明框架能适应多样社会语境并实现运行时干预
- 为社交敏感领域的基础模型部署提供了一种**机器人学启发的形式化防护范式(robotics-inspired formal guardrail paradigm)**，推动从经验防护向可执行保证的转变
- 提出了**Grounded Observer框架**，通过运行时行为控制实现**更强的行为保证(stronger behavioral guarantees)**，并在真实应用中验证了有效性
- 讨论了框架的扩展方向，并提出了通向**更强保证(stronger guarantees)** 的研究路径，为后续工作奠定基础