Peel

1 · 事关重大

AAC 技术的使用者——其中许多是儿童——无法依赖自然言语。一套 AAC 系统不仅仅告知其用户；它代其发声。系统所呈现的一句陈述，可能成为用户对照护者、老师或临床医生说出的那句话。这改变了幻觉的代价。在一个通用聊天助手中，被捏造的事实是用户可以察觉的错误。在面向脆弱用户的 AAC 中，被捏造的事实可能是：

• 用户无法察觉的，因为他们发问的原因往往正是不知道答案，且可能缺乏能力去质疑一句被自信陈述的谬误。
• 经由用户自身声音被"洗白"的，以至于下游的听者会把捏造归于这个人，而非工具。
• 后果严重的，当内容涉及用户自身的身体、需求、用药、安全或人际关系时。

我们将此作为一项设计前提：在这里，一个被幻觉出来的"事实"是一次安全失败，而非服务质量的退化。正确的工程回应不是降低捏造的概率，而是移除捏造得以作为事实抵达用户的那条结构性通路。

为何统计护栏不够。 更好的数据、RLHF、检索增强、自一致性以及事后过滤，各自都能改善模型产出虚假陈述的比率，而没有一个改变其底层对象：一个关于下一词元的概率分布。一个以采样输出作为其事实的系统，按构造对任何语法有效的谬误都有非零的产出概率。降低这一概率是值得的；但它并不等同于一句虚假陈述无法被撰写为事实这样的保证。对于一个安全攸关、面向脆弱用户的领域，这个领域需要的是第二种保证——一种关于控制流的结构性属性——而非统计曲线上更好的一个点。

2 · 背景

AAC 涵盖从低技术沟通板到高技术语音生成设备；标准参考文献是 Beukelman 与 Mirenda [1]。使这一场景与众不同的，是两点的结合：用户可能没有条件去核实系统所断言的内容，以及输出被当作用户自身沟通来消费——二者共同将正确性从一个可用性问题提升为一个安全问题。神经语言模型中的幻觉已被充分综述 [2]，而文献将问题与解法都以统计方式框定：度量比率，降低比率。我们的立场是，对于这一场景，正确的目标是一个控制流不变量——不存在任何输出通路，使得一句未经抽取、无支持的陈述能成为被存储或被说出的事实——而这只有在神经组件按构造被完全阻止撰写事实时才可实现。

3 · 反转论点

两条推论界定了该架构强制实施的边界。C1（生成器从属）： 除非经过一个确定性的抽取步骤，否则没有任何神经输出能作为事实抵达存储；抽取无法认证的内容不得进入，而生成器的流畅度或自信度不携带任何权威。C2（渲染器约束）： 产出最终表面文本的组件，是在存储已经撰写好的事实之上运作的，其约束在于其输出中的内容必须可追溯到其输入中的内容——允许流畅，不允许发明。

反转将幻觉从一个有待最小化的统计量，转化为一条被关闭的结构性通路。生成器仍然可以提议一个谬误，但在 C1 下，该提议在符号抽取认证之前是惰性的；在 C2 下，渲染时也无法夹带任何新东西进来。这一捏造无处可成为事实。

4 · 摄入时结构化，而非推理时检索

推理时检索——即检索增强生成（RAG）[3] 与向量存储"记忆"的模式——将知识保留为文本，并把组织推迟到查询时；在查询时，相似段落按嵌入邻近度被检索出来，交给一个生成器来组合答案。生成器仍然是撰写者；检索只是对它进行条件化，而捏造依旧可达，因为合成步骤仍然是概率性的，可以自由地在被检索内容之外进行插值。

摄入时结构化——Peel 的选择——在知识进入时就对其进行组织。传入的材料要经受确定性的符号抽取；存活下来的成为带类型的记录，每条都携带来源。在查询时，系统从这个带类型的存储中读取：答案是被找到的，而非被组合的——一组附有来源证据的已存储事实，可选地在 C2 下交给渲染器以求流畅。这一区分是范畴性的：在推理时检索下，撰写权在查询时坐落于一个神经模型之中；在摄入时结构化下，撰写在进入时就已确定性地发生，而查询通路没有任何许可去撰写任何新东西。一篇姊妹文章《检索并非记忆》 [4] 展开了相邻的论点，即检索是记忆的一个真子集；本文则是同一世界观中关于事实撰写的另一半。

5 · 作为被强制属性的架构

我们通过 Peel 所强制实施的属性来描述它；机制配方被有意省略（§10）。

• 带类型的符号知识存储。 事实存在于一个带类型的存储中，而非作为自由文本或不透明的嵌入。每条记录由一个带类型、多字段的模式描述，横跨四个族——核心、语义、元数据、关系。类型是承载性的：它让抽取能将一个候选认证为一个已知种类的事实，让矛盾检查能对关系进行推理，并使推理保持有界。概念之间的关系本身也是带类型的；该模式定义了 35 种关系类型。
• 来源作为一个不变量。 每一个事实都可追溯到它被抽取自的来源。来源是一个接纳条件，而非事后补充：一个无法绑定到某个来源及其支持证据的候选不会被接纳。因此，任何答案都可以附带它来自何处——当消费者是照护者或临床医生、在核查用户"所说"的依据时，这一点至关重要。
• 带功能性关系否决的确定性矛盾检查。 在接纳之前，一个候选会与存储所持有的内容进行核对。该检查是确定性的。在这 35 种关系类型中，3 种是功能性的，符合 OWL 2 FunctionalProperty 的含义 [5]——一个主体对该关系至多只能有一个客体。功能性关系充当硬否决：一个给某主体赋予第二个、相冲突值的候选会被拒绝——不做平均、不排名、也不降权。（否决算法是内部的，予以保留；公开的是这一属性。）在存储缺乏相关关系之处，检查会弃权——返回"未知"，而非制造一个判定。
• 有界的传递性推理。 系统对带类型的关系执行有限的传递性推理：所导出的结论在置信度与范围上受约束，端点必须是已知概念，且推导不能制造从未被摄入的概念。推理沿着带类型、可核对的边扩展已撰写的存储——它不会为自由形式的生成开出旁路。
• 离线且在设备上。 Peel 在没有任何网络访问的情况下撰写、核对并作答。对于目标人群而言，这既是一项隐私属性（儿童的对话材料不离开设备），也是一项可靠性属性（正确性不依赖连通性）。所配套的小模型从零开始训练，并按可在设备上运行的规模设定。

6 · 结果

以下是当前测得的特征——是结果，而非机制。

符号条件化下的分支多样性。 当生成以 Peel 的符号结构为条件、而非仅以位置上下文为条件时，一个内部分支多样性指标从 0.589 上升到 0.966。这是一个内部指标，而非标准的公开基准（见 §8），我们如实地报告它：符号条件化实质性地拓宽了所生成的分布——这是符号存储贡献了神经组件本不会表达的结构的证据。离线运行被验证为在设备上部署的一项运行属性。

公开产物。 有两项是公开且可下载的：数据集 Hoodrobot/AAC_Children_Conversations 和在设备上运行的模型 Hoodrobot/TinkyBrain-v3（均在 Hugging Face 上）。

7 · 为何这很重要

AAC 场景是一个更普遍问题的异常清晰的实例：当一个 AI 系统的输出被一个无法独立核实它的一方当作基准真相来消费时，统计性的幻觉削减是错误的保证。正确的保证是结构性的——一个无论生成器碰巧采样到什么都成立的属性。Peel 的反转是获得它的一种方式：通过让一个带类型的符号存储成为事实的唯一撰写者、把来源作为接纳条件附加、并将功能性关系的矛盾作为硬否决强制实施，系统把"我们希望模型很少撒谎"转化为"模型无法撰写一个存储未认证的事实"。我们不声称这是唯一的路径，也不声称 Peel 的保证是完整的（§8）——我们声称这一保证的形状正是脆弱用户领域所要求的形状，而 Peel 表明它是可构建的，并能在非平凡规模上离线运行。

8 · 局限

Peel 是一个 PROTOTYPE。它不是临床设备，尚未经过临床验证，且不得被表述为一种医疗或诊断工具。

• 这一保证关乎事实撰写，而非真实性。 反转阻止未经抽取、无支持的陈述成为被存储的事实。它并不保证被摄入的源材料本身是正确的：一个来自"受信任但错误"来源的虚假事实，若被正确地抽取并附上来源，仍可能进入。Peel 关闭的是捏造通路；它并不裁决良构来源的真伪。
• 抽取覆盖并非完备性。 确定性抽取只接纳它能认证的内容——这是有意为之（正是它让保证成立），但抽取器尚不能处理的有效内容会被丢弃，而非被接纳。
• 多样性结果使用的是一个内部指标。 0.589 → 0.966 是在一个内部指标上测得的，而非标准基准，且未经外部复现。请将其视为方向性证据，而非经过基准检验的准确性主张。
• 未报告端到端的临床或用户研究。 我们报告了规模、一个内部生成指标、离线运行以及公开产物——而非一项测量沟通结果或真实世界幻觉发生率、面向 AAC 用户的对照研究。该研究尚不存在，且在任何临床主张之前都是必需的。
• 矛盾检查的强度不超过其模式。 只有带类型的关系被强制实施，且硬否决仅针对功能性关系；在当前 35 关系模式中无法表达的矛盾可能会作为"未知"通过。
• 弃权是有代价的。 回答"未知"而非猜测，减少了捏造，但也减少了覆盖面；一些原则上可回答的问题会被拒绝作答。
• 机制清除。 这份公开文档保留了强制实施机制；读者仅凭它无法重新实现这些保证。这是一份已清除护城河版本的刻意约束。

9 · 结论

Peel 建立在一次单一的拒绝之上：拒绝让一个概率分布为一个无法核查它的儿童撰写事实。通过反转通常的安排——让一个带类型的符号存储成为事实的唯一撰写者，将神经模型降级为生成器或渲染器，在摄入时结构化知识并在接纳时附上来源，通过功能性关系确定性地否决矛盾，并让整个系统离线运行——我们获得了一种对待幻觉的结构性而非统计性的立场。这个原型表明该立场在非平凡规模上是可构建的，并能在设备上运行。仍有许多未经证明之处，我们也已如此说明。

10 · 关于范围与清除的说明

这份文档是一份已清除护城河的公开版本，对应一份涉及专利敏感的内部白皮书。它传达论点、问题、属性层面的架构，以及测得的结果，并刻意省略了强制实施机制的配方——抽取流水线、矛盾否决算法、多样性条件化方法，以及来源模式的内部细节——这些是内部文档的主题。全文的惯例是通过 Peel 所强制实施的属性来指定它，而非通过实现这些属性的实现方式。

参考文献

1. D. R. Beukelman & P. Mirenda. Augmentative and Alternative Communication: Supporting Children and Adults with Complex Communication Needs. 4th ed., Brookes Publishing (ISBN 978-1-59857-196-7).
2. Z. Ji, N. Lee, R. Frieske, et al. "Survey of Hallucination in Natural Language Generation." ACM Computing Surveys 55(12), Article 248, 2023. doi:10.1145/3571730 · arXiv:2202.03629
3. P. Lewis, E. Perez, A. Piktus, et al. "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks." NeurIPS, 2020. arXiv:2005.11401
4. Perslis Research. "Retrieval Is Not Memory: Memory as a Governance Function over Experience." Preprint, 2026. research.perslis.com/memory.html
5. W3C. "OWL 2 Web Ontology Language: Structural Specification and Functional-Style Syntax (Second Edition)." W3C Recommendation. owl:FunctionalProperty
6. Perslis Research. "The Orchestration Gap: Why Model-Level Alignment Cannot Survive Multi-Model Runtimes." Preprint, 2026. research.perslis.com/orchestration-gap.html

公开产物。 数据集：Hoodrobot/AAC_Children_Conversations · 模型：Hoodrobot/TinkyBrain-v3（Hugging Face）。

如何引用

Perslis Research. "Peel: Structural Hallucination Prevention for Offline AAC Through Symbolic Fact Authorship." Preprint (moat-scrubbed), 2026. https://research.perslis.com/peel

@techreport{perslis_peel_2026,
  title       = {Peel: Structural Hallucination Prevention for Offline
                 AAC Through Symbolic Fact Authorship},
  author      = {{Perslis Research}},
  institution = {Perslis Research},
  type        = {Preprint (moat-scrubbed)},
  year        = {2026},
  url         = {https://research.perslis.com/peel},
  note        = {Preprint, not peer-reviewed; enforcement mechanisms withheld}
}

预印本 · 未经同行评审 · 已清除护城河的公开版本 · Perslis Research · 2026-09-15 · PROTOTYPE，非临床设备。