点击下方卡片，关注“具身智能之心”公众号
在具身智能领域，我们经常会看到一些让人啼笑皆非的“翻车”名场面。
比如，你跟厨房里的机器人说：“进厨房帮我拿瓶水。”结果机器人一进厨房，看到灶台，就轻车熟路地把火打开了，准备开始“做饭”。
这并不是机器人的眼睛看错了，而是它在“摸鱼”（走捷径）！！
目前主流的具身大模型通常把用户指令（文本）和机器人看到的画面（视觉观测）塞进同一个共享的网络参数中进行融合处理。由于真实的机器人训练数据既昂贵又稀缺，聪明的神经网络很快就学会了“偷懒”：
“我何必费劲去理解‘拿水’还是‘开火’？反正进了厨房、看到灶台，绝大多数时候就是要开火，那直接开火不就行了？”
这种由于指令和观测在共享参数中深度交织（任务-状态纠缠，Task-State Entanglement）导致模型绕过语言、直接用场景画面关联动作的现象，被称为“观测泄漏” (Observation Leakage)。
为了从架构上彻底根治机器人的“摸鱼”痼疾，忆生科技（TranscEngram）联合香港大学、浙江大学团队，在机器人领域顶级会议 RSS 2026 上给出了全新解法——DISC（Decoupling Instruction from State-Conditioned Control via Policy Generation）。
01
痛点实证：
你的机器人，可能一直在“假装听话”
在标准测试中，这种“任务-状态纠缠”的缺陷暴露无遗。当机器人面对相似的视觉场景时，主流的多模态策略模型往往会被场景视觉先验误导，选择性地忽略指令细节。
左侧：让经典基线 Octo 放白碗，它却因为视觉相似性直接走向微波炉；右侧：给大规模预训练模型 π0.5发送双步指令“开灶并放平底锅”，它却直接跳过了开灶这一步，径直执行放锅。而下方的 DISC 则在两种场景下均能正确执行指令。
纠缠架构使得网络在微调阶段重新学回了“场景--动作”的偷懒捷径，哪怕是经过大规模互联网预训练的旗舰大模型也无法完全幸免。
02
DISC的破局之道：
把“理解”与“执行”彻底解耦
既然共享参数会给“观测泄漏”开绿灯，那如果策略网络压根就接触不到语言指令呢？
DISC采取了极具魄力的解耦架构设计：
第一步（理解阶段）：使用一个超网络 (Hypernetwork)，仅凭用户输入的语言指令，直接生成出一整套任务专属的策略网络参数。
第二步（执行阶段）： 刚生成的策略网络只接收视觉观测画面，独立进行闭环控制。
DISC架构：语言经T5编码后，超网络两阶段(初始化权重→迭代精修)生成整个策略；精修在结构上模仿梯度优化，但推理端完全前馈。语言至动作的唯一通路已被限定为生成的参数。
在这个架构里，由于策略网络全程对语言指令没有任何直接访问权，它想要正确运行，其任务意识只能完全依赖于超网络生成的参数。
“观测泄漏”通往动作的物理近路，从结构上被彻底切断。
03
以少胜多：
3000万参数“硬刚”30亿预训练旗舰
在具身智能的军备竞赛中，“大参数VLA+大规模预训练”似乎成了行业共识。然而，DISC 却通过精妙的结构性归纳偏置 (Architectural Inductive Bias)，证明了“简约性”的巨大威力。
在标准的 LIBERO-90 基准测试中，全程从零训练、参数量仅约 3000 万的 DISC 交出了惊艳的成绩单：
总成功率达到 94.3%，反超了拥有 33 亿参数并在过万小时真机数据上预训练的行业旗舰模型π0 (91.6%)，并逼近了其升级版 π0.5 (95.7%)。
任务越复杂，优势越明显： 在长程多步任务 (Long-Horizon) 中，DISC 取得了 92.7% 的成功率，领先最强从零训练基线达 8.4%。
LIBERO-90总成功率：DISC从零训练94.3%，反超33亿参数预训练π0(91.6%)，逼近π0.5(95.7%)，显著领先其余从零训练基线。
04
语义流形：
懂功能，更懂如何快速学习
为什么仅凭一句话生成的网络参数，能够具备如此高精度的运动控制能力？
直接生成高维且全局一致的策略权重是个极难的问题。为此，DISC 设计了一个两阶段超网络：先进行粗粒度权重初始化，再通过一个在结构上模仿“梯度优化”的迭代精修模块，在纯前馈推理的过程中，让百万级的参数建立起协调的依赖关系。
通过 t-SNE 降维分析生成的策略参数空间，团队发现超网络学到了一个由功能语义（而非视觉相似度）组织的紧凑参数流形：
生成策略参数的t-SNE：语义相近的任务在权重空间聚成近邻，语言里的语义邻近对应权重流形里的几何邻近。
这赋予了 DISC 极强的少样本适配能力。当面对一个从未见过的全新任务时，超网络会根据新指令在参数流形上直接定位一个非常接近可用的起点，只需 10~20 条演示即可快速收敛。而在仅有 1~3 条的极端少样本设定下，传统扩散类方法大多难以运行，而 DISC 依然能展现出非平凡的泛化性能。
05
真机实测：同一场景下的精准“变招”
为了排除环境中视觉先验的干扰，团队在物理机器人上构建了一个极其严苛的 9 任务真机组合泛化基准（3种物体x3种容器）。在所有测试中，桌面上摆放的干扰物、目标物体以及容器的初始画面完全一致：
真机组合泛化：同一初始画面,三条不同语言指令，DISC精准执行三种不同结果(苹果分别放进小灰碗 / 大红碗 / 浅灰盒)。视觉一致，行为发散——只可能来自语言。
在视觉背景完全固定的情况下，动作的唯一导向只能来自语言。在此环境下，DISC 的平均成功率达到了 86.4%，大幅领先最强对照基线的 78.5%，有力证明了语言生成的策略参数正在真实地主导机器人的物理行为。
06
结语与项目开源
DISC的成功，揭示了具身智能架构设计的本质：决定语言能否真正主导机器人行为的，是语言在架构中“从哪里进入”，而非如何被编码。这一“以架构而非规模取胜”的路线，也与忆生科技所主张的“简约性（Parsimony）”理念同源。通过将“视觉记忆”与“肌肉记忆”分离，不仅能提供极高的泛化效率，更为具身智能在长尾长程场景中的规模化落地，探索出了一条边际成本极低的商业路径。
目前，DISC 的相关学术论文已被机器人顶会 RSS 2026正式录用，且项目代码已全面开源。
论文链接： https://arxiv.org/abs/2605.20856
开源代码： https://github.com/ReNginx/DISC
