0% 幻觉不是测出来的，是算出来的：TypeSafe 的 Jev 放弃字符串输出

前天半夜翻到一个模型发布，官方页面直接写着「不会幻觉」。

我第一反应不是觉得它厉害，是往下翻找脚注。那句 0% 后面果然跟着一行小字：这不是实测值，结构匹配由架构保证。

翻译一下就是：它之所以不编，是因为它被禁止写字。

「0% 幻觉」不是模型变准了，是问题被换掉了：把生成题换成了选择题。

控制回路不接受「大概对」，这是它和聊天机器人的根本区别

09-15，TypeSafe AI（创始人来自 OpenAI）发布了一类叫 System One 的模型和首个模型 Jev：不生成字符串，只输出预先定义好结构的类型化值，输入 $0.042 每百万 token、输出 token 免费、端到端 70 到 500 毫秒，官方自报比现有前沿模型快 193.6 倍、便宜 444.6 倍（未独立复现）。

价格先放一边，我要说的是它的取舍方向。

我在新能源储能电站的 EMS 上待过，控制回路是最不讲道理的地方。它不认「95% 的情况是对的」，它只认那 5% 出了问题时会不会让断路器动错。所以那几年我最抗拒的一件事，就是让一个概率性输出直接接到控制链路上，中间必须夹一层确定性判断。

Jev 这类模型的思路跟我们正好相反：它不去提高那 95%，而是让你问不出那 5%。结构是事先定好的，「编一个不存在的字段」在架构上不可能发生。

这不叫模型变聪明了，这叫把「生成」换成了「从有限选项里选」。

对做系统的人来说，这条真正值钱的地方是它给了一种思路：把幻觉从概率问题变成类型问题。你不需要模型更准，你只需要让它没有地方编。

还有一层变化在成本结构上，值得单独记一笔。我们习惯的定价是输出比输入贵，因为字要一个一个往外蹦。Jev 是反过来的：输入 $0.042 每百万 token，输出免费。这意味着「问得多、答得短」的负载，账要重新算一遍。 但它官方自己也承认，没法证明这个定价没有被补贴，所以眼下只能当方向看，还不能当采购依据。

说不清哪 5% 会错，这件事就永远没法自动化

同一份发布里还有一句我更想抄下来的话：一个模型如果 95% 的时间能做对，却说不清剩下 5% 是哪些，那这件事就没法自动化。Jev 的每个输出都带着校准过的概率和置信度。

我在做生产现场的智能安监时踩过同一块石头。那个场景里误报和漏报的代价是不对称的：漏一次可能是一场安全事故，误报十次只是让值班的人烦。当时我们所有的阈值设计，最后都收在同一个问题上：你到底有多确定？

而「有多确定」这件事如果只能靠人回头去看，它就永远不是系统的一部分。

现在大多数 agent 的置信度是什么？是模型在输出里自己写的一句话。它和你真实的历史准确率没有任何绑定关系。模型说它 90% 确定，你没有任何办法验证这一档到底准不准。那些你没法自动化的活，通常不是不够准，是说不清哪里不准。

所以可执行的动作是：把置信度变成一个能在历史数据上对得上的数。按 0.9 以上分一档，回去核这一档的真实准确率有没有到 90%。对不上的，那个字段就只是装饰。

今晚可以动手的三件事

1. 挑一个已经在跑的关键 agent，把输出从「要求它返回 JSON」改成「先定结构，再让它填」。 你会发现很多所谓的「模型不稳定」，其实是接口没定。
2. 把置信度做成可验证的量。 抽 50 条历史记录，按模型自报的置信度分档，核对每档的真实准确率。对不上的那一档，在系统里标成不可信。
3. 给每一条重要输出补上「校验失败之后怎么办」。 注意是处置，不是校验。只加校验不加处置，等于没加。

今日其他信号速览

• Gemini 3.8 Live 系列正式可用，厂商自报同一个模型在通用语音任务上 68.6%，在受监管的银行场景只有 35.1%。
• OpenAI 首次支持联邦立法强制第三方评估：年营收超 50 亿美元且三年研发投入超 100 亿美元的公司，要聘请持牌评估机构并每 6 个月向商务部报告。
• Anthropic 的 30 天数据留存政策引发企业反噬，英伟达限制其使用范围、Palantir 要求不可撤销的零留存承诺、博思艾伦直接禁用。「我们不训练你的数据」和「我们不存你的数据」是两句不同的话，后者才是有边界含义的那句。
• 一个自主渗透 agent 用 25 分钟拿到某推理平台生产环境 GitHub 的管理员权限。凭据来自 2023 年的一次镜像构建，藏在镜像的构建历史里，三年后依然有效。
• claude-code v2.1.273 修了一批不报错但错的问题：上下文占用被按 2 倍计算，导致自动压缩在半个窗口就触发；子 agent 的结果会因为缺一个可选字段被判失败并丢弃。