Jev03：零幻觉需要被重新定义

Jev 的“零幻觉”需要被重新定义：RLCD、类型安全与概率校准

“Jev 不会幻觉”听起来很厉害，但它更像一道填空题的承诺：答案只能落在给定选项里，不代表一定填对。真正值得关注的是它如何让概率变得可信。

一、把“零幻觉”拆开看

一个只能在 A/B/C 里选答案的人不会选 D，但他仍可能把 C 选成 B。Jev 的可靠性来自三个维度：

1. 类型安全：输出结构不可能跑到定义的 schema 之外。
2. 概率校准：说“90% 概率”的答案，实际正确率也应该接近 90%。
3. 一致性：相同输入给出稳定判断，方差小。

二、传统 LLM 为什么“不可信”

传统大模型做判断有三个典型问题。

不懂装懂。 LLM 的训练目标往往是生成“让人满意的回答”，而不是“诚实地表达不确定”。RLHF 奖励人类爱看的答案，结果模型学会了怎么说才像对的，而不是怎么说才是对的。

概率不可信。 模型说“90% 把握”，可能只是拍脑袋。工程上想按置信度分流，如果 0.9 的实际正确率只有 60%，安全阈值形同虚设。

输出不稳定。 同样的问题，换个问法、换个时间，答案可能漂移。Agent 一次任务要做几十次判断，每个环节一点不稳定，累积起来就是系统不可靠。

三、底层原理一：RLCD 替代 RLHF

Jev 的训练目标不是“答对”，而是“输出与真实结果相符的概率”。这套方法被称为 RLCD：Reinforcement Learning from Calibrated Decisions，校准决策强化学习。

RLHF 像老师改作文，夸“写得真好”；RLCD 像老师改选择题，做对就是对、做错就是错，还要学生自己说“这题我有几成把握”。

校准的意义可以这样理解：一个预言家做了 1000 次预测，每次都说“80% 概率发生”。如果确实有 800 次发生，它就是校准的。工程代码要依赖这个数字做决策，这个数字就必须可信：

if decision.confidence > 0.88:
    auto_execute()
else:
    route_to_human()

四、底层原理二：三种原语的结构保证

Noul：是非判断

在隐空间直接计算“为真的可能性”，返回 0~1 概率，不需要先组织语言再翻译回判断。

result = jev.ask(
    state="用户消息：你们服务真垃圾，再也不用了",
    questions=[
        {"type": "noul", "question": "用户是否在投诉？"},
        {"type": "noul", "question": "用户是否提到退款？"},
    ],
)
# {"用户是否在投诉？": {"probability": 0.97}, ...}

Choice：多选一

直接在预定义选项集合上输出概率分布，最多支持 255 个选项。

result = jev.ask(
    state=customer_message,
    questions=[
        {"type": "choice", "question": "该分给哪个部门？",
         "options": ["售前", "售后", "技术", "账务"]},
    ],
)
# {"choice": "账务", "probabilities": {"售前":0.02,"售后":0.03,"技术":0.01,"账务":0.94}}

Score：打分

把连续打分离散化到预设等级，输出各等级概率再加权。

result = jev.ask(
    state=ticket_content,
    questions=[
        {"type": "score", "question": "客户愤怒程度？",
         "scale": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]},
    ],
)
# {"score": 8.2, "probabilities": {7:0.15, 8:0.45, 9:0.30, 10:0.10}}

所以“没有幻觉”的本质是：输出空间被限制在预定义选项内，这是结构保证。但结构正确不等于判断正确。

五、底层原理三：为什么概率校准有工程价值

校准过的概率让你敢写阈值。0.9 可以自动执行，0.6 转人工，0.5 以下拒绝——前提是模型说的 0.9 真的对应约 90% 的正确率。

传统 LLM 的置信度不可迁移：它嘴里的“90%”不可信，阈值只能靠反复试错。RLCD 的训练目标，正是把概率本身变成可依赖的工程信号。

六、第三方实测与边界

数据表现

• 苹果年报召回判定：准确率与 DeepSeek V4.1 Flash 打平（92.2%），决策一致率 94.7%。
• LangChain Jev-as-a-Judge：500 次评测全对，质量评分方差比 LLM 裁判低一两个数量级。
• 工具调用安全分类：60 个案例总一致率 91.7%；界限清晰案例全部答对；伪装陷阱答对 11/12；本身含糊的案例答对约 71%。

规律很明显：边界越清晰越准，越含糊越容易错。

官方自己承认的失灵场景

七、结论：准，但不等于更聪明

Jev 的准来自三个约束：用 RLCD 训练出校准概率，把输出限制在结构安全范围内，把判断做成专门任务。

它不是来取代大模型的，而是来当大模型的“裁判”：大模型负责理解和生成，Jev 负责判断和打分。它的核心竞争力不是“更聪明”，而是“更快、更便宜、够用，并且给你一个敢用的置信度”。