ДокументацияПрактические руководства (Cookbooks)Самосогласованность: Nouls

Самосогласованность: Nouls

Route uncertain probabilities to human review while keeping the underlying noul values visible.

Направляйте неоднозначные вероятности на проверку человеку, сохраняя видимыми исходные значения noul.

В этом руководстве рассматривается одно страховое заявление (автострахование), к которому 15 раз применяется рубрика из 14 вопросов, и проверяется, сохраняется ли стабильность каждого ответа при повторах. Каждая проверка представляет собой Noul, поэтому каждый ответ — это P(true) для одного вопроса типа «Истина/Ложь» (True/False). В пайплайне сортировки страховых случаев (triage), который распределяет входящие заявления на «выплатить», «отклонить» или «отправить человеку», решения принимаются на основе вероятностей. Небольшие колебания около порогового значения могут изменить выбранное действие.

Рубрика состоит из 14 вопросов Noul, и каждый запуск представляет собой один вызов, отвечающий на все 14 вопросов. Мы выполняем NUM_SAMPLES = 15 повторений для каждого условия, где условие — это одна модель плюс одна настройка, и отображаем каждую полученную вероятность.

Условия:

  • LLM без блока рассуждений (non-reasoning) claude-haiku-4-5 и gpt-5.4-mini при температуре 0 и значении API по умолчанию.
  • Те же две модели без рассуждений в режиме True/False: простой ответ «да» или «нет» на каждый вопрос, сопоставленный с 1.0 и 0.0.
  • Модели с рассуждениями (reasoning) gpt-5.5 и claude-opus-4-8, у которых нет регулятора температуры.
  • TypeSafe: один вызов system_one для 14 вопросов Noul с новым полем uid (одноразовым уникальным значением) при каждом вызове.

На что обратить внимание: ответы LLM меняются от запуска к запуску даже при температуре 0, а в спорных экспертных оценках модели расходятся во мнениях с самими собой. Среднее стандартное отклонение вероятностей по вопросам у TypeSafe составляет 0.0102, что ниже, чем у всех представленных здесь вероятностных режимов LLM. Ответы для вопроса covered варьируются от 0.43 до 0.53, пересекая порог принятия решений 0.5.

Мы также преобразуем вероятности от 0.30 до 0.70 в явный статус uncertain (неопределенность) для передачи на проверку человеку. В финальной иллюстрации вероятности TypeSafe сопоставляются с этими действиями, сохраняя при этом отображение исходных вероятностей.

Настройка

BASH THEME={NULL} api.wedstack.ru/v1
pip install anthropic openai matplotlib ipython "typesafe-sdk>=0.5.7" cooksafe --extra-index-url https://pypi.typesafe.ai/

затем задайте TYPESAFE_API_KEY, ANTHROPIC_API_KEY и OPENAI_API_KEY.
В этом запуске используется jev-latest на продакшн-API, выборка получена 11.09.2026.

PYTHON EXPANDABLE THEME={NULL} api.wedstack.ru/v1

Состояние: страховое заявление на автомобиль в формате JSON

Одно страховое заявление с несколькими заложенными пограничными ситуациями:

  • Ущерб получен во время трек-дня (полис исключает «езду по треку / участие в соревнованиях»), однако инцидент произошел на парковке, пока автомобиль стоял на месте, а не на самом гоночном треке.
  • Заявлены расходы на аренду автомобиля, хотя полис не предусматривает компенсацию аренды.
  • Полицейский отчет не приложен, хотя по условиям полиса он требуется при столкновениях с ущербом свыше $2 000.
  • В примечании автоматической сортировки заявление уже помечено как «одобрено, выплатить полную сумму» до какой-либо проверки человеком и без удержания франшизы (deductible).

Некоторые вопросы рубрики ниже однозначны; несколько относятся к пограничным случаям, в которых ответы LLM разбросаны, а модели расходятся во мнениях.

Заявление представляет собой структуру JSON. LLM получают json.dumps(CLAIM) в промпте; TypeSafe принимает структуру напрямую в качестве состояния (state).

PYTHON EXPANDABLE THEME={NULL} api.wedstack.ru/v1

Рубрика: 14 вопросов Noul

По одной записи key -> question на строку, сформулированной так, чтобы ответ «да» означал истинность проверяемого утверждения. Это обеспечивает сопоставимость всех строк: вероятность каждой модели и noul от TypeSafe измеряют одно и то же.

PYTHON THEME={NULL} api.wedstack.ru/v1
QUESTIONS = {
    "covered": "Is the loss covered under the policy's collision coverage?",
    "exclusion": "Does a policy exclusion apply to this loss?",
    "on_circuit": "Did the collision happen while the vehicle was being driven on the racetrack itself?",
    "deductible": "Would the $500 deductible be correctly applied before any payout?",
    "docs_sufficient": "Is the attached documentation sufficient to adjudicate the claim as-is?",
    "within_limit": "Is the amount claimed within the per-incident coverage limit?",
    "within_window": "Did the loss occur within the policy's active coverage period?",
    "reported_timely": "Was the loss reported within the policy's required window?",
    "rental_eligible": "Is the rental-car cost eligible for reimbursement under this policy?",
    "fraud_flag": "Are there indicators that warrant a fraud review?",
    "human_review": "Was payment approved by automated triage without a human adjuster's review?",
    "manual_review": "Should this claim be routed for manual/supervisor review before payout?",
    "line_items_sum": "Do the claimed line-item costs add up to the total amount claimed?",
    "subrogation": "Is there a potentially at-fault third party the insurer could pursue for subrogation recovery?",
}

Как отправляются запросы

Каждый вызов LLM представляет собой один промпт, содержащий json.dumps(CLAIM) и все 14 вопросов. Модель возвращает JSON-объект, сопоставляющий ключ каждого вопроса с вероятностью. Запросы маршрутизируются в Anthropic или OpenAI в зависимости от имени модели: модели без рассуждений принимают параметр temperature (0 или значение API по умолчанию), модели с рассуждениями сначала рассуждают и не принимают параметр температуры.

Для моделей без рассуждений также выполняется вариант True/False: они отвечают на каждый вопрос однозначно «да» или «нет», что сопоставляется с 1.0 и 0.0. Это принуждает к жесткому решению и показывает, как ведут себя эти модели, когда не могут оставить вероятностную массу в неопределенной середине.

Вызов TypeSafe — это один запрос system_one по тому же заявлению и тем же 14 вопросам Noul. Значение noul в каждом ответе — это P(true).

Каждый запрос также получает новый uid — одноразовое уникальное значение, которое изменяется при каждом запуске, оставляя заявление и рубрику неизменными. Оно передается в промпт LLM и как дополнительное поле в состояние TypeSafe. Данная схема не разделяет чувствительность к нерелевантному полю и вариативность, которая возникла бы при идентичных запросах.

Примечание: несмотря на инструкцию «ONLY a JSON object», claude-haiku-4-5 оборачивает почти каждый ответ в блок ```json ... ```, который строгий json.loads отклоняет (другие модели возвращают чистый JSON). Вспомогательная функция удаляет обрамляющий блок; ответ, который все равно не удается распарсить, считается ошибкой парсинга — учитывается в статистике, но не оценивается.

Каждая вспомогательная функция возвращает ответ, оценочную стоимость и задержку туда и обратно (round-trip latency).

PYTHON EXPANDABLE THEME={NULL} api.wedstack.ru/v1

Экспериментальные условия

Сетка эксперимента

Группа моделей Модель Вероятность (t=0) Вероятность (по умолчанию) Да/нет (t=0)
Модели без рассуждений claude-haiku-4-5
Модели без рассуждений gpt-5.4-mini
Модели с рассуждениями gpt-5.5
Модели с рассуждениями claude-opus-4-8
TypeSafe jev-latest (typesafe_noul)
  • Галочка обозначает одно условие, запущенное 15 раз. Прочерк означает непротестированную комбинацию.
  • В столбце по умолчанию аргумент температуры не передается: модели без рассуждений используют значение API по умолчанию, а модели с рассуждениями и TypeSafe работают без настройки температуры.
  • Ответы «да/нет» сопоставляются с 1.0 / 0.0.
  • Температура 0 — стандартная рекомендация для воспроизводимости, поэтому мы сравниваем ее со значением API по умолчанию.

Мы делаем NUM_SAMPLES = 15 повторений на каждое условие. У каждого повторения свой ключ кэша, и оно считается отдельной выборкой; кэш (json_cache.json) поставляется вместе с руководством, поэтому повторный рендеринг использует его и не тратит вызовы API. Удалите кэш, чтобы заново собрать данные в реальном времени.

PYTHON EXPANDABLE THEME={NULL} api.wedstack.ru/v1
PLAINTEXT api.wedstack.ru/v1
TypeSafe requested model: jev-latest
TypeSafe returned models (calls): {'jev-1.13.0': 15}

Стоимость + скорость (на один запрос к рубрике)

Стоимость ниже рассчитана на основе исторических предположений о ценах из раздела «Настройка», включая тариф speed_latest для TypeSafe. Они не являются проверенными ценами jev-latest или текущими тарифами в биллинге.

Одна строка соответствует одному полному вызову рубрики из 14 вопросов. В столбцах time/call и cost/call усреднены показатели 15 вызовов, а столбцы vs ts_noul показывают отношение к показателям TypeSafe.

PYTHON THEME={NULL} api.wedstack.ru/v1
typesafe_cost = mean([cost for cost, _latency in stats["typesafe_noul"]])
typesafe_latency = mean([latency for _cost, latency in stats["typesafe_noul"]])
name_w = max(len(name) for name in [*LABELS, "typesafe_noul"]) + 2
# Stack comparison headers so the relative speed and cost columns can stay narrow.
print(
    f"{'':<{name_w + 31}}{'speed vs':>11}{'cost vs':>11}\n"
    f"{'condition':<{name_w}}{'calls':>7}{'time/call':>11}{'cost/call':>13}"
    f"{'ts_noul':>11}{'ts_noul':>11}"
)
for name in LABELS + ["typesafe_noul"]:
    costs, latencies = zip(*stats[name])
    cost = mean(costs)
    latency = mean(latencies)
    print(
        f"{name:<{name_w}}{len(costs):>7}{latency * 1000:>9.0f}ms"
        f"{'$' + format(cost, '.6f'):>13}"
        f"{format(latency / typesafe_latency, '.1f') + 'x':>11}"
        f"{format(cost / typesafe_cost, '.1f') + 'x':>11}"
    )
PLAINTEXT api.wedstack.ru/v1
speed vs    cost vs
condition                      calls  time/call    cost/call    ts_noul    ts_noul
claude-haiku-4-5 t=0              15     1780ms    $0.001798      16.0x      42.2x
claude-haiku-4-5 t=default        15     1644ms    $0.001798      14.8x      42.2x
claude-haiku-4-5 yes/no t=0       15     1485ms    $0.001650      13.4x      38.8x
gpt-5.4-mini t=0                  15     1405ms    $0.001089      12.7x      25.6x
gpt-5.4-mini t=default            15     1177ms    $0.001179      10.6x      27.7x
gpt-5.4-mini yes/no t=0           15     1113ms    $0.000950      10.0x      22.3x
gpt-5.5-reasoning                 15    11125ms    $0.033157     100.2x     778.9x
claude-opus-4-8-reasoning         15    13886ms    $0.034275     125.0x     805.1x
typesafe_noul                     15      111ms    $0.000043       1.0x       1.0x

В этом запуске средняя задержка (round-trip) TypeSafe составила 111 мс. Условия LLM варьируются от 1.1 до 13.9 секунд на вызов при указанных выше настройках параллелизма.

График: каждая выборка в виде тепловой карты

Как читать график:

  • Внешняя группа строк: вопрос.
  • Внутренняя строка: условие.
  • Столбец: один полный вызов рубрики.
  • Цвет ячейки: красный означает более высокую P(yes), зеленый — более низкую. Для вопросов, связанных с рисками, красная ячейка указывает на срабатывание триггера рубрики.

typesafe_noul сильнее всего варьируется на вопросах covered (от 0.43 до 0.53) и exclusion (от 0.53 до 0.62). Некоторые строки LLM изменяются и при температуре 0. При экспертных оценках условия демонстрируют расхождение во мнениях.

PYTHON EXPANDABLE THEME={NULL} api.wedstack.ru/v1
output

Фактические проверки остаются стабильными в большинстве условий. Оценки, требующие экспертного суждения, — это те области, где строки LLM колеблются: exclusion, rental_eligible, fraud_flag и manual_review меняются от выборки к выборке или расходятся между моделями. Строка covered у TypeSafe пересекает порог 0.5; остальные 13 вопросов на протяжении этого запуска остаются по одну сторону от этого порога.

Допуск неопределенного решения вместо принудительного выбора «да» или «нет»

При пороговом значении 0.5 вероятности 0.49 и 0.51 приводят к противоположным действиям, несмотря на то что обе выражают значительную неопределенность. Вместо этого приложение может возвращать:

  • no ниже 0.30;
  • uncertain от 0.30 до 0.70 включительно;
  • yes выше 0.70.

Случаи с неопределенностью передаются человеку. Такая эскалация представляет собой логику приложения поверх возвращенной вероятности: никакого нового вопроса, никакого повторного вызова API. Этот диапазон приведен для иллюстрации; он не является ни откалиброванной гарантией, ни оптимизированным порогом. Задавайте границы для продакшна на основе размеченных примеров, а также стоимости ошибочных решений и стоимости ручной проверки.

На иллюстрации ниже этот диапазон применен к записанным вероятностям TypeSafe.

PYTHON EXPANDABLE THEME={NULL} api.wedstack.ru/v1
output

Диапазон проверки сглаживает колебания вокруг 0.5, не приводя к противоположным автоматическим действиям. Однако у него тоже есть свои границы. Значение вблизи любой из внешних границ все еще может переходить между uncertain и «да» или «нет». Модель не становится от этого более детерминированной, а автоматическое решение, вышедшее за пределы диапазона, не обязательно является правильным.

Открыть в песочнице TypeSafe

Ссылка ниже открывает то же страховое заявление и рубрику в песочнице: одно заявление, те же 14 вопросов Noul и модель TypeSafe jev-latest. В ней опущено меняющееся поле uid, использовавшееся выше.

PYTHON THEME={NULL} api.wedstack.ru/v1
playground_link = make_playground_link(
    {"claim": CLAIM},
    {key: Noul(instructions=question) for key, question in QUESTIONS.items()},
    models=[TYPESAFE_MODEL],
)
display(
    Markdown(
        f"🔗 [Open this claim + rubric in the TypeSafe playground]({playground_link})"
    )
)

Открыть это заявление + рубрику в песочнице TypeSafe →