不是更快的出酒机，
是会抬头看你的调酒师

现有调酒机器人把「把酒做出来」解决得很好。我们做的是另一件事：让制作过程本身值得看——而且这一版，手臂的动作是学出来的，不是录好的。

他们的 AI 在推荐层，不在动作层

Makr Shakr 240 杯/小时、Cecilia.ai $45,000、Yanu 封闭机柜：为吞吐和一致性优化，并且做到了。整套装置围绕机器设计——杯子在固定夹具、瓶子在固定管路、动作走固定轨迹。

会聊天的调酒机器人有了，会动的机械臂也有了，没有一台把两者放在同一个身体上，而且所有手臂都是录好的轨迹。杯子挪 5 cm，同一条轨迹就抓空。

一次服务是九段，视线出现两次

酒吧卖的从来不只是液体。人坐在吧台前，是因为那里有人、有表演、有交流。现有系统优化出酒速度，适合排队的地方；我们优化被看着的那 40 秒，适合精品酒吧、展会、门店。

头就是界面

员工牌上有两位调酒师——同一个身体

Barley

首席调酒师 · 暖场班

热情、嘴快、有点傻气。一次只说一两句，话没说完手已经伸向杯子；去拿酒那段的台词，要拿客人点的那杯做文章。

调侃酒，不调侃客人。从不提价钱。

Cyborg

值班调酒师 · 冷场班

它会听客人闲聊——只是不陪你往云上飘。客人一开始抒情，它就把话拽回地面：「这不是一个哲学问题。」

冷、干、务实，但它一直在听。两个温度，同一个身体。

在这里，一个调酒师就是一个文本文件。换掉文件就是换掉调酒师，头上的行头跟着换。这就是同一台机器既能进精品酒吧、又能上展会展台，而不用重做任何东西的原因。

我们修的是数据，不是代码

右臂模型 09-08 实机 0/14。诊断：40 集示范里杯位覆盖失衡 16 倍（最密档 16 集，最疏档 1 集），模型学的是节奏不是视觉——闭爪时刻和杯位的相关只有 r = 0.16–0.26。

不是录像回放：它会在推倒杯子之前改主意

这就是闭环的样子：抓歪 → 看到 → 修正。一次完美运行证明不了什么；一次纠错证明它在看画面。

小模型怎么做到「选」：把选择放在模型前面

训练集每帧一只杯、一句话。桌上放两只，它往中间伸（09-11 三次）；指令加 yellow，轨迹变乱，目标不变。SmolVLA 4.5 亿参数、板子 7.4 GB，要教它「按词选杯」得重录再训一夜，而且没有先例保证学得会。

夜里那轮跑出来的东西 · 2026-09-12

原则从「按颜色点名抹掉一只」改成「只保留一个，其余全抹」。桌上多一个干扰物，不该要改一次配置。

在 25 帧评测集上，我们 09-11 白天量的那套颜色阈值只检出 1/25。夜里桌面和杯子的饱和度一起掉到 10–30，颜色根本不再是可分特征。按「限定桌面区 + 相对桌面亮度」重做之后：15/25。

夹爪也不能按颜色排除——米色杯和橙色支架的色相带完全重合（都在 H 8–30），排掉橙色就等于把杯子一起杀掉。改成按位置排：两条手臂永远从画面左下和右下进来。

还有一条：本来打算拿「空桌底片」去盖干扰物，实测发现那张底片并不空——那个位置当初摆着一只绿杯，盖上去等于往画面里塞一只不存在的杯子。改用中位色填充：不依赖底片、不引入形状、跟着当前光照走。

实测25 帧真实头相机画面、白天加夜间：09-11 那套颜色规则检出 1/25，重做后的检测器 15/25。新增两条通道——--mask-keep（只留一只，其余全抹）和 --mask-box（按位置抹掉矩形）。管线里已按订单切换跑通，3 ms/帧。左臂模型上 8 集探索显示它无论抹哪只都去蓝杯——左臂模型自带偏好，不能当测试台。未测选杯准确率——要在右臂模型上预注册「抹蓝抓黄 / 抹黄抓蓝」各 5 集，判据写死为「闭爪时 pan 落在目标杯一侧」。2026-09-12 那组对照实验不算数：抓取区里根本没有目标杯，两轮 held=0 是必然的，2% 的安全层差异也在单次试验的噪声量级。要有意义，得桌上同时摆一只目标杯和一只干扰杯，而且需要有人在现场摆。

从 7,000 公里外操作，是功能不是借口

团队在中国，机器人在芬兰。2026-09-11 整天的试跑、判定、数据记录都是远程完成的：面板起任务、操作者现场摆杯按确认、结果自动归档。

三个地点，一台机器人。手臂在赫尔辛基；起跑、判定、写记录的人在 7,000 公里外的杭州和台湾。这份 deck 上没有一件事需要有人坐飞机。

安全层和数数的规矩

为什么要费这个劲。不是谦虚——是为了让有意思的那些话说出来有人信。第 5 页那三个数就是这套规矩的产物：6/6、3/8、1/5，分开摆着，而不是揉成一个既讨好我们、又什么都没告诉你的平均数。

跑在一块巴掌大的板子上

双臂 + 可动头 + 三路相机 + 移动底盘。这块板子装不下 70 亿参数的模型——所以选 4.5 亿参数的 SmolVLA，把「选杯」这类问题交给 3 毫秒的经典视觉（第 6 页）。约束逼出的是更聪明的做法，不是更大的模型。

诚实的边界，每条后面跟着下一步

选中之后的四周，我们会拿出这些

这是承诺，不是愿望清单。下面每一条都写了「算不算做到」的判据，每个结果都会带日期和 k/n 发到公开报告站——做砸的那些也一样发。你不需要信我们的口头描述。

1. 第 1 周 · 技术
   把颜色指令数据补齐

   50 集，黄蓝各半、位置对调，和单杯数据集一起训。判据：数据集公开，杯位五档的覆盖变异系数报出来。

2. 第 2 周 · 技术
   跑一轮预注册试跑，跑成什么样报什么样

   判据、集数、void 规则在跑之前写死，然后按第 8 页的规矩判。判据：k/n 公开——6/6 还是 3/10，都上同一页。

3. 第 3 周 · 产品
   做真正需要「调」的酒

   倒酒进管线：POUR 状态 + pour() 执行器。现在可乐、芬达、雪碧、水是同一个物理动作的四个名字，这一步终结它。判据：至少两款两种以上配料、按配方依次倒的酒，端到端跑通并有录像。

4. 第 4 周 · 产品
   不是一次，是每次

   同一配置连续跑 10 次，全程没人伸手；递出方向取自实测的人脸方位，不是写死的坐标。判据：这 10 次的 k/n 按同一套规则公开。

5. 第 4 周 · 商业
   摆到真实人群面前

   新场地走 10 步进场流程，从箱子到能跑 2 小时；谈成并到场至少一场鸡尾酒活动或酒吧周；当晚现场收反馈。判据：活动办成了，反馈整理成文公开、说什么发什么；一家有名有姓的场地书面说明「要满足什么条件才愿意摆进店里」。