斯坦福 NLP 推出 DISCO，面向连续动作空间的蒸馏树搜索方法

斯坦福 NLP 团队提出了名叫 DISCO 的全新算法，也就是连续动作空间上的蒸馏树搜索，它把知识蒸馏和树搜索结合在一起，专门用来解决连续动作空间不好做搜索的难题，相比传统方法，它不用暴力遍历海量连续取值，搜索效率更高，输出动作质量也更好，不管是机器人控制、大模型动作规划还是连续决策任务都能用得上。普通树搜索本来更适合离散选项，动作只有有限几个的时候很好用，但一旦碰到连续动作，比如机械臂角度、速度这类有无穷多取值的场景，直接挨个试根本不现实；之前不少方案要么粗暴离散化，会丢掉最优解，要么依赖单纯的模型采样，稳定性差，而 DISCO 的思路就是利用蒸馏，让模型学会引导树搜索，在连续空间里面高效找到优质动作。

DISCO 的核心设计

• 蒸馏引导策略网络
• 连续空间分层树搜索
• 价值回溯更新
• 适配多种基础模型

通过知识蒸馏，训练一个引导网络，用来判断哪些连续动作区域更有潜力，把搜索资源优先放在高价值区间。

不再把动作切成固定离散格子，采用分层细分，先锁定大致范围，再慢慢精细搜索。

沿着搜索树把评估结果回传，不断修正引导网络，让它越来越擅长挑出好的连续动作。

可以对接已有的策略模型，不需要从零重训整套决策框架。

DISCO 的完整运行步骤

1. 准备教师模型：选用效果更强的教师模型，提供连续动作样本和价值信号。
2. 蒸馏训练引导网络：用教师模型的数据做蒸馏，让引导网络学会预估连续动作的好坏。
3. 启动根节点搜索：把整个连续动作空间作为树的根节点。
4. 分支细分采样：在引导网络推荐的高潜力区域做分层划分，生成子分支。
5. 评估与剪枝：评估各个分支预期收益，把明显很差的分支直接剪掉，节省算力。
6. 价值回溯：把子节点评估结果向上回溯，更新每个区间的预估价值。
7. 输出最终动作：反复细分评估，直到达到预设精度，选出最优连续动作。

这套方式避开了连续动作空间离散化带来的缺陷，让树搜索这个成熟手段顺利用到连续决策任务上。在团队的实验里，DISCO 在机器人连续控制、序列连续规划任务上，比传统采样、离散树搜索拿到更高回报，也证明蒸馏树搜索在连续动作空间具备很强竞争力。

【相关 FAQ】

问题 1：斯坦福 NLP 提出的 DISCO，和普通树搜索最大区别是什么？

回答 1：普通树搜索大多适合离散动作，DISCO 是连续动作空间上的蒸馏树搜索，依靠蒸馏得到的引导网络指引搜索，不用强行把连续动作切成离散选项。

问题 2：DISCO 这套连续动作空间上的蒸馏树搜索，一定要搭配 NLP 任务才能使用吗？

回答 2：不是，虽然是斯坦福 NLP 团队提出，但 DISCO 这套连续动作空间上的蒸馏树搜索，同样适用于机器人连续控制等其他连续决策场景。

问题 3：DISCO 的蒸馏环节在连续动作空间上的蒸馏树搜索里面起到什么作用？

回答 3：蒸馏用来训练引导网络，给树搜索指明更值得探索的连续动作区域，减少无效采样，提升整套蒸馏树搜索在连续动作空间的搜索速度。

问题 4：使用 DISCO 做连续动作空间上的蒸馏树搜索，会不会一定找到全局最优动作？

回答 4：不一定，DISCO 依靠引导做启发式搜索，可以大幅提升找到高质量动作的概率，但属于启发算法，不能保证每次在连续动作空间的蒸馏树搜索都搜到全局最优。

【参考资料】

[2026-11-05]（斯坦福 NLP 提出 DISCO：连续动作空间上的蒸馏树搜索）机器之心

[2026-11-03]（DISCO：Distilled Tree Search for Continuous Action Spaces）arXiv

[2026-11-02]（斯坦福新工作 DISCO，打通连续空间与树搜索）AI 科技评论

【免责声明】

本文仅为公开论文资讯整理，DISCO 的实际性能、复现难度、开源情况以斯坦福 NLP 团队官方论文与代码仓库为准；在不同连续动作任务上最终效果会随环境、模型配置发生变化。