你让机器人“推碗”，它却可能因为训练时总是“拿碗”，一见到“碗”就伸手抓。即使测试成功率很高，它也未必理解了任务。PerturBot针对的正是这种“捷径依赖”：视觉—语言—动作模型（VLA，即同时读取画面和指令、再控制机器人）可能借助熟悉的物体、词语或动作顺序猜答案，而没有使用真正决定动作的证据。
作者的关键做法不是单纯增加示范，而是主动让捷径失效：在不改变任务的前提下扰动腕部相机画面；给指令补上与决策有关的物体属性、位置关系和操作描述；再加入随机或失败的轨迹片段，并按其中实际发生的行为重新标注。这样，近处物体、熟悉名词或“夹爪闭合后就抬起”的惯例，都不能独自决定下一步。
论文还提出离线指标 GroundFscore：无关干扰出现时，动作应保持不变；真正相关的目标或指令改变时，动作又必须随之改变。两项同时满足，才算模型确实依据证据行动，而不是干脆忽略某类输入。作者在50个真实机器人 General PnP 案例及 RoboTwin 2.0 中评估该框架；现有材料未给出可核对的总体提升数字。