4. 端侧模型与状态机的接口设计

端侧模型与状态机协同的核心难点，不在于模型本身有多强，而在于两者之间的“接口”是否清晰。模型擅长从传感器、音频、图像等原始数据中提取语义，但它输出的是概率、向量或文本；状态机擅长管理确定性的状态迁移，但它需要明确的输入条件。接口设计的任务，就是把模型的“模糊输出”翻译成状态机可消费的“确定信号”，同时把状态机的“当前状态”反馈给模型，形成闭环。

一、模型输入输出契约

契约是接口的第一层。端侧模型通常以固定张量形状接收输入，例如一个语音唤醒模型可能接收 [1, 16000] 的 16kHz 单声道 PCM 浮点数组，输出 [1, 2] 的 logits 或 [1] 的置信度。契约必须明确四件事：输入张量的形状与数据类型、预处理方式（归一化、重采样、分帧）、输出语义（分类标签、回归值、嵌入向量）、以及推理调用的同步/异步模式。

以“设备是否被拿起”这一事件为例，模型输入可能是三轴加速度计最近 50 个采样点，形状 [1, 50, 3]，输出为二分类概率 [p_still, p_picked]。契约中应写明：采样率 50Hz，窗口 1 秒，滑动步长 0.2 秒，输入按每轴均值方差归一化。这样，状态机侧才能稳定地按固定节奏读取输出，而不是每次都要猜测模型内部做了什么。

二、状态观测：让模型“看见”状态机

模型如果只看到原始传感器数据，很容易在相似物理信号下做出与当前状态矛盾的判断。例如设备已经处于“屏幕关闭”状态，模型却因轻微震动反复输出“被拿起”。因此，接口需要把状态机的当前状态作为观测输入之一，注入模型或注入后处理逻辑。

常见做法有两种。第一种是特征拼接：把状态编码为 one-hot 向量，与传感器特征拼接后送入模型。第二种是后处理门控：模型输出先经过一个由状态决定的门控函数，只有当前状态允许的事件才会被放行。前者让模型参与决策，后者让状态机保留最终控制权。端侧资源受限时，后处理门控更轻量，也更容易调试。

三、事件触发与置信度映射

模型输出的是连续置信度，状态机需要的是离散事件。两者之间需要一个映射层，通常包含阈值、迟滞和持续时间三个参数。阈值决定“多确信才算发生”，迟滞防止在阈值附近抖动，持续时间要求事件必须稳定存在若干帧才被确认。

例如，拿起事件要求 p_picked ≥ 0.75 且连续 3 帧成立，才触发 PICKED 事件；放下事件要求 p_picked ≤ 0.35 且连续 5 帧成立，才触发 PUT_DOWN。两个阈值之间的 0.35～0.75 是“不确定区”，状态机保持当前状态不变。这种双阈值加持续时间的结构，比单一阈值稳定得多。

四、状态迁移的映射方式

事件触发后，状态机如何迁移，取决于映射表。映射表把“当前状态 + 事件”映射为“下一状态 + 动作”。例如：

这张表就是接口的“合同”。模型侧只需要保证事件语义稳定，状态机侧只需要保证迁移规则明确，双方通过事件名和置信度参数解耦。当模型升级或替换时，只要事件语义不变，状态机无需改动。

五、工程实现中的关键细节

第一，时间对齐。模型推理有延迟，状态机读取事件时必须知道该事件对应的是哪一帧数据。建议在事件结构中携带时间戳或帧序号，状态机按时间戳排序处理，避免因异步导致的状态错乱。

第二，置信度校准。模型输出的 0.8 不一定代表 80% 的真实概率。端侧部署后，应使用少量现场数据做温度缩放或 Platt 校准，使阈值具有可解释性。校准后的置信度再进入映射层，阈值调整才有依据。

第三，降级策略。当模型推理超时或资源不足时，接口应返回“未知事件”而非阻塞状态机。状态机可以基于超时计数器进入安全状态，例如从 ACTIVE 回退到 IDLE，而不是卡死在等待中。

最后，建议把契约、阈值、映射表集中放在一个配置文件中，模型侧和状态机侧共同读取。这样，调参时不需要重新编译两端代码，也便于在端侧做 A/B 测试。接口设计的目标不是让模型更聪明，而是让整个系统在资源受限、噪声干扰和状态变化中，依然能稳定地做出可预期的行为。