取下手柄、接住咖啡粉、布粉、压粉、锁紧手柄、放杯、启动萃取，再到出杯、清理粉渣、冲洗手柄、器具归位——一杯咖啡从制作到清洁，机械臂全程自主完成。

这是仙工智能展示的截至目前最长程、步骤最多的机器人咖啡制作任务，全程无需人工参与。它没有将复杂流程拆成孤立的单项动作，而是保留了从准备、制作到清洁的完整过程。

做咖啡不是简单的动作叠加。手柄是否安装到位、咖啡粉是否压实、杯子是否放在合适的位置，都会影响后续操作。机器人既要完成抓取、对准、压粉等高精度动作，也要根据任务进度与当前场景，持续作出下一步决策。

这考验的是具身智能的长程任务能力：将多个前后关联的操作连接起来，从第一步持续执行到最后一步，而不是只完成某个预设动作。步骤越多，任务状态的变化与动作之间的衔接就越复杂。

用「实操课」教给模型

教机器人做咖啡，不是写一份几十页的操作说明书，也不是为每个动作设定一组固定坐标，仙工智能的答案是通过真实设备上的操作示范，为模型提供学习素材，更像上「咖啡师实操课」。

先在真实的咖啡机和器具前完成示范，系统同步记录机器人「看到了什么」和「应该怎么动」——相机画面、任务指令、机械臂的位置、运动轨迹，以及抓取和放置动作，都成为训练数据。

在此基础上，仙工智能使用少量真实操作数据，对自研 VLA（视觉-语言-动作）模型进行微调，使模型能够结合当前画面与任务要求，输出相应的动作决策。

训练完成后，还需要在真实设备上反复验证。杯子位置发生变化怎么办？器具没有完全对准怎么办？真机操作中暴露的问题，会用于补充训练数据、迭代模型，逐步提升任务执行能力。

整个过程可以简单概括为：人类示范→数据采集→模型训练→真机测试→补充数据→再次训练。

这套方案的另一项看点，是模型面对真实场景变化时的适应能力。机械臂使用通用型夹爪，而非咖啡专用夹具；面对位置和高度不同的咖啡杯，模型需要重新识别场景、判断动作，而不是简单复现固定轨迹。

从真实操作数据中学习，再通过真机验证与迭代，模型逐步获得完成长程任务所需的连续决策能力与场景适应能力。

机器人大脑：从模型决策到机器人真实操作

全自动咖啡制作任务的完成，关键在于机器人大脑——由它将这些决策转化为真实动作。

仙工智能机器人大脑由模型、小脑、神经构成：模型负责看懂场景、理解任务并作出决策；小脑负责运动规划和动作执行；神经通过统一接口与协议连接传感器、关节及执行器。三者协同，让模型的决策落实为机械臂连贯、精准的实际操作。

一杯咖啡看似日常，背后是对长程记忆、高精度操作、全自主执行与场景适应能力的综合考验。从压粉、锁紧到萃取、清洗，咖啡任务展示的不只是机械臂完成了多少动作，更是具身智能如何将场景理解、连续决策与精准执行连接起来，完成一项完整的长程任务。

从单个动作走向完整任务，是具身智能进入真实服务场景的重要一步。