confidence字段仅在choice和score原语响应中显式返回，noul原语用noul值替代；它表示模型对本次决策整体可靠性的校准评估，非准确率保证，需按原语类型分支提取并结合probabilities等字段综合判断。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
直接读取响应体里的 confidence 字段，它和 probabilities 或 noul 同级出现——不是额外计算，而是模型原生输出的一部分。
确认返回结构是否含 confidence
Jev 的三种提问原语中，只有 Choice 和 Score 类型会显式返回 confidence 字段；Noul 不返回独立的置信度，它的概率值 noul 本身就是校准后的判断强度（0.92 就是“有 92% 把握是”，0.08 就是“有 92% 把握不是”）。
- Choice 示例响应含：
"confidence": 0.87和"probabilities": {"urgent": 0.71, "normal": 0.25, "low": 0.04} - Score 示例响应含：
"score": 2.3、"legend": {1: "critical", 2: "high", 3: "medium"}、"probabilities": [0.12, 0.65, 0.23]、"confidence": 0.79 - Noul 示例响应只含：
"noul": 0.91，没有confidence字段
区分 confidence 和 probabilities 的含义
confidence 是模型对本次决策整体可靠性的评估，范围通常在 0–1 之间，数值越高，说明该次分类/打分所依据的状态特征越清晰、越无歧义；probabilities 是各选项的归一化分布，总和恒为 1，反映模型在给定约束下的倾向性分配。
- 高 confidence + 高 peak probability（如 0.85）→ 模型很确定且倾向明确
- 高 confidence + 均匀 probabilities（如 [0.34, 0.33, 0.33]）→ 模型很确定“这状态确实难分”，但依然诚实给出分布
- 低 confidence → 状态信息模糊、矛盾或超出训练分布，此时即使某个 probability 较高，也应谨慎自动执行
在代码里安全提取置信信号
不要假设字段一定存在，需按原语类型做分支处理：
- 对 Choice/Score 请求：先检查响应中是否存在
confidence键，再读取；若缺失，说明后端未返回或请求格式异常 - 对 Noul 请求：直接用
noul值作为判断依据，无需、也不应尝试推导 confidence - 所有情况都应校验
probabilities总和是否 ≈ 1（允许浮点误差），避免下游误用被篡改或截断的响应
警惕常见误解
confidence 不是准确率保证，也不是模型“自我评分”。它是在 RLCD 训练中对齐真实结果后得到的校准指标，反映的是“当 confidence=0.8 时，长期来看约 80% 的同类决策是正确的”，但单次决策仍可能出错。
- 不能把 confidence 当作阈值过滤的唯一依据（例如只放行 confidence > 0.9 的请求）
- 不能跨原语横向比较 confidence 数值（Choice 的 0.85 和 Score 的 0.85 语义不完全等价）
- 官方明确提醒：自动执行逻辑必须结合业务风险单独验证阈值，比如 p(urgent) > 0.7 且 confidence > 0.75 才触发告警
