TypeSafe AI真的零幻觉吗？类型正确不等于判断正确

TypeSafe AI 所说的“零幻觉”主要指 Jev 不会返回预定义类型之外的内容，不代表每个业务判断都百分之百正确。Choice 不会凭空造出第 256 个选项，Score 不会返回无效等级，但它仍可能在合法选项中选错。上线时必须使用概率、confidence、测试集和人工复核控制风险。

能保证的是什么

Jev 的答案空间由请求预先定义，因此程序不必担心突然收到一段无法解析的闲聊、虚构工具名或错误字段类型。官方将“无类型错误”描述为结构层面的保证，这解决的是自动化系统常见的解析失败和越界输出问题。

不能保证的又是什么

模型仍会误解含糊指令、忽略间接关系，或被冗长无关信息干扰。Jev 1.13 官方已列出的薄弱点包括精确计数、数学、日期比较、复杂间接推理、对抗性内容和冲突标准。结构正确与事实正确、判断正确是三件不同的事。

confidence应该怎样使用

Choice 和 Score 返回概率分布，并给出 0 到 1 的 confidence；Noul 直接返回“是”的概率，不另带 confidence。阈值没有通用答案，应根据误判代价设置：内容推荐可以相对宽松，退款、封禁和医疗分流则要更保守。

可把系统设计为三段：高置信度自动执行，中间区域送人工复核，低置信度拒绝自动动作或改走安全路径。阈值必须用自己的真实样本调试，不能照搬演示中的数字。

降低误判的四个做法

1. 一个问题只表达一个判断，边界条件写进 criteria。
2. 先过滤无关上下文，只发送作出该决定需要的 state。
3. 数学、计数、日期和权限规则用确定性代码处理。
4. 固定模型版本建立回归集，升级前比较错误分布和阈值。

所以“零幻觉”可以理解为输出不会越过类型边界，而不是模型获得了永不犯错的事实能力。把这条边界写进架构，TypeSafe 才能真正提升自动化可靠性。