Vinfty — AI 一致性审计辅助引擎

Vinfty 不是 AI 模型。它不训练、不拟合、不推理、不预测。 它只做一件事：作为外挂式辅助组件，审计 AI 系统内部的自洽性。

pip install vinfty

定位

Vinfty ≠ 另一个 LLM / 小样本分类库 / 微调框架 Vinfty = AI Consistency Auxiliary Auditor

现有 AI 工具链（LangChain、LlamaIndex、EvidentlyAI、Prometheus）只追踪：

• 日志、延迟、吞吐量
• 准确率、召回率、损失曲线

Vinfty 补上唯一缺失的维度：认知一致性。

模块

Quick Start：数据集审计

from vinfty.judge import audit_dataset

texts = [
    "The cat sat on the mat.",
    "The dog slept on the rug.",
    "神经网络通过反向传播优化参数。",
    "Transformer 使用自注意力机制。",
    "Gradient descent minimizes the loss function.",
    "北京是中国的首都。",
    "Paris is the capital of France.",
    "The quick brown fox jumps over the lazy dog.",
]

report = audit_dataset(texts, lambda_estimate=0.001)
print(report["ont_self_mean"])         # 0.23
print(report["n_palaces"])             # 7
print(report["contradictions_top5"])   # 不一致样本对
print(report["silent_collapse_risk"])  # green / yellow / red

输出示例

{
  "n_samples": 8,
  "ont_self_mean": 0.23,
  "c_ij_density": 0.11,
  "n_palaces": 7,
  "palace_distribution": {
    "P_hash_02": 2,
    "P_hash_15": 1,
    "P_hash_25": 1,
    "P_hash_42": 1,
    "P_hash_51": 1,
    "P_hash_57": 1,
    "P_hash_61": 1
  },
  "label_conflicts": [],
  "silent_collapse_risk": "green",
  "hmM_state": "s0",
  "barrier": {
    "lambda": 0.001,
    "mode": "ODE",
    "scenario": "pc_benchmark",
    "L_total_star": 22.17,
    "P_trans": 0.51
  }
}

带标注的数据集

report = audit_dataset(
    texts,
    labels=["animal", "animal", "ML", "ML", "ML", "geo", "geo", "noise"],
    lambda_estimate=0.001,
)
print(report["label_conflicts"])
# → 如果同 label 映射到不同 Palace，说明标注边界有问题

势垒经济学：审计也有成本

lambda_estimate 控制审计深度——不是模型精度权衡，是 观测开销-观测深度调度。

report = audit_dataset(texts, lambda_estimate=0.1)  # 边缘端轻审计

No LLM Required

Vinfty 是纯符号计算——不需要 API Key、GPU、模型权重。 所有认知指标来自调用序列和记忆痕迹的结构，而非 LLM 响应的内容。

License

MIT