系统一
系统一模型是一类专门为软件做判断的 AI 模型：它读入一份状态，针对你提出的每个问题返回带类型的答案和概率分布。象信一号是象信 AI 的第一个系统一模型。
和大语言模型一样，系统一模型能读懂自然语言；不同的是，它的输出不是一段文字，而是一个决策加上这个决策的概率。
输入限制
象信一号目前只接受文本：字符串、JSON 对象或由文本构成的数组。图片、音频、视频需要先在你的代码里转成文字或结构化字段。
名字的由来
"系统一 / 系统二"来自心理学家丹尼尔·卡尼曼在《思考，快与慢》里的说法：系统一是快速、直觉式的判断，比如看一眼就知道对方在生气；系统二是缓慢、需要刻意投入的推理，比如心算 17 × 24。系统一模型对应前者：它追求在几十到几百毫秒内做出聚焦的、单点的判断，而不是长链条的推理。
与大语言模型有什么不同
| 大语言模型 | 系统一模型（象信一号） | |
|---|---|---|
| 输出 | 一段自由文本 | 你定义好的选项、档位或真假概率 |
| 可解析性 | 需要解析，可能格式不对 | 按构造就是结构化的，不存在"解析失败" |
| 越界 | 可能编造一个你没列出的类别 | 只会在你给的选项上分配概率 |
| 不确定性 | 语气自信不代表真的有把握 | 返回概率分布，并以校准为训练目标 |
| 多个问题 | 顺序生成，前面的回答会影响后面 | 并行、互相隔离地评估 |
| 延迟与成本 | 与输出长度成正比 | 一次前向，输出免费 |
系统一模型以校准为训练目标：它给出的概率应当与真实的正确率相符。注意，校准是对一大批预测而言的统计性质——"概率 0.8 的那些答案，大约八成是对的"——它并不保证某一个具体答案一定正确。详见 AI 入门 和 置信度。
你通过原语来定义可能的答案：
| 原语 | 例子 | 答案空间 | 示意输出 |
|---|---|---|---|
| Choice | 这笔报销应该走哪个审批流？ | travel、purchase、entertainment | choice: "travel" |
| Score | 这条差评的情绪有多激烈？ | 0 = 平和，1 = 不满，2 = 愤怒 | score: 1.3 |
| Noul | 这条消息是否要求退款？ | 真 / 假 | noul: 0.93 |
以上只是示意，完整的配置项和返回字段见各原语页面。
在更大的流程里做快速判断
系统一模型不是用来独立完成整件事的，而是嵌在你的程序里，承担其中"需要常识和语言理解"的那几步。以一个外卖平台的退款申请为例：
- 组装状态：把用户留言、订单明细（菜品、金额、送达时间）和平台的退款规则放进一个 JSON 对象。
- 一次提出多个独立问题：用户是否在申请退款？描述的问题是"漏送""洒漏"还是"口味不满意"？留言里有没有附带威胁差评的表述？
- 在代码里组合答案：结合确定性规则（例如"超时 30 分钟以上"由代码直接计算），决定自动退款、部分退款还是转人工。
因为每个答案都是受约束的类型化值，你的代码可以放心地比较、排序、做阈值判断，把它们组合成可预测的流程。完整的方法见 如何用象信构建。
每个 Choice 和 Score 答案还带有置信度，让你决定什么时候直接执行、什么时候交给人或更强的推理模型。
调用方式
通过 Python SDK 或 HTTP 接口 POST /v1/systemone（见 API 参考）调用。请求中的 model 字段决定由哪个模型作答；本文档的示例都使用 xiangxin-latest，它也是 SDK 的默认值。可用模型与别名见 模型。