介绍
大语言模型（LLM）擅长的是"写给人看的文字"。可是在很多软件里，我们真正需要的并不是一段话，而是一个判断：这张工单该派给哪个组？这条评论是否涉及人身攻击？这份简历有没有写明三年以上的后端经验？用 LLM 做这类事，通常要先让它"只输出 JSON"，再写一堆解析、重试和兜底代码，把一段文本硬拗回程序能用的值。
象信一号是象信 AI 推出的第一个系统一模型，专门为这种场景而生。你把要判断的内容作为状态（state）发过来，再附上一组带类型的问题，模型一次前向计算就返回结构化的答案：选了哪个选项、落在哪一档、某个说法成立的概率是多少——以及每个结果的概率分布。它不生成文字，所以没有需要解析的散文，也不会编造你没给出的选项。
并行评估每个问题
+ 概率分布
+ 置信度
（Choice 与 Score）
分支、排序、路由
三种原语
象信把"问题"做成了三种 AI 原语。就像编程语言里的 int、bool、enum 一样，它们小而确定，可以任意组合。
| 问题类型 | 用来回答 | 返回字段 |
|---|---|---|
| Choice | 从一组选项里挑一个 | choice、probabilities、confidence |
| Score | 在你定义的有序档位上打分 | score、legend、probabilities、confidence |
| Noul | 这个说法成立吗？ | noul（0～1 的概率） |
同一个请求里可以混合任意多个、任意类型的问题。所有问题看到的是同一份状态，但彼此独立、并行评估：一个问题的答案不会悄悄影响另一个问题，多加几个问题几乎不增加响应时间，也不会因为问题多了而"注意力分散"。
问题要小，组合交给代码
系统一模型最擅长的，是一位懂行的人扫一眼就能给出的判断——比如"这段话里有没有催促对方尽快行动"。如果一个问题需要反复推敲、权衡好几个因素，那就说明它该被拆开了。
举个例子：与其问"这家供应商靠不靠谱？"，不如分别问"是否提供了营业执照信息""报价是否明显低于市场价""过往评价里是否提到延期交货"，然后在代码里用你自己的规则或权重把答案组合起来。这样做有三个好处：
- 每个小问题都更容易答对，出错时也更容易定位是哪一环；
- 权重写在代码里，业务优先级变了，改一个系数即可，不用重写提示词；
- 这些问题在一次请求里并行完成，拆分几乎不增加延迟。
象信一号能做什么、不做什么
| 适合 | 不适合 |
|---|---|
| 分类、路由、打标签 | 写回复、写文章、写代码 |
| 按你定义的标准打分、排序 | 多步推理、复杂数学计算 |
| 核查某个说法是否被材料支持 | 对话、闲聊、做智能体的"大脑" |
| 在给定候选里挑出正确的那一个 | 凭空抽取任意长度的文本 |
象信一号基于我们自研的系统一模型（90 亿参数），中文和英文都能处理。不过任何模型在具体业务上的表现都需要实测：请先用你自己的数据做一轮评估，并利用置信度把拿不准的样本交给人工或更强的模型。已知的薄弱环节列在 已知短板。