一、把动作拆到最细再逐帧纠正

　　分段拆解：i7 Pro的整套上下料流程被拆成36个动作，取料、移动、开门、装夹、启动加工，每一步单独训练，一个都不能错。

　　越慢越稳：底盘移动和机械臂伸展都会带来误差，越靠近卡盘越要慢下来，先靠视觉找准位置，再根据力的反馈不断微调。

　　多模态记录：训练时同步采集第一视角画面、视线轨迹、肌肉电信号和脑电信号，不只看手怎么动，还看人脑什么时候发现不对劲、手腕何时悄悄改变发力。

　　二、让机器人学会“纠错”而不只是“做对”

　　采集试错过程：传统训练只采集成功动作视频，但真正让机器人变稳的，是记录人类发现失误并调整下一次动作的毫秒级反馈。

　　世界模型迭代：拿到人类试错数据后，让模型在隐空间反复迭代修正，学习“出错之后下一次怎么调整”，而不只是模仿一次完美操作。

　　换场景验证：真正困难的是换一个杯子、换一种光线后还能完成任务，训练场里每天练的就是开柜门、折衣服、分拣零件等真实劳动场景。

　　三、反复训练到形成“肌肉记忆”才算过关

　　稳定性优先：同一个动作做成功一次与连续执行一段时间完全不同，评估时要看总共尝试多少次、成功多少次、失败后人工介入多久。

　　适应动态变化：换一种包装、调整摆放角度，机器人是否还能识别并完成操作，这类测试用来观察能力能否迁移到新条件。

　　跑通完整任务链：一次拿取只是整份工作的一个环节，后面还有核对、移动、放置以及发现拿错后如何恢复，客户关心的是整项任务有没有按要求完成。