I-Ching Vir 的 NLP/NLG：向量表示、歷史資料適配與回答閘控

Abstract

背景： 起卦問題常有篇幅短、語境不足或表達方式多樣等情況。方法： 本技術札記說明 I-Ching Vir 已部署的處理流程：64 維整數向量、語料權重、原型比對及規則式自然語言生成。經去識別化、AI 標註審查與分組後，Python 後端歷史資料新增了 93 個領域原型及 55 個拒答原型。結果： 固定情境重播中，59 題驗證資料的領域判定相符數由 23 增至 27；143 題經審查排除的問題中，仍獲直接回答者由 23 減至 4。結論： 結果支持在已測範圍內以資料調整領域路由與回答閘控，尚不足以證明廣泛泛化能力或占筮預測的有效性。

1 範圍（Scope）

本文記錄 2026 年 10 月 23 日、Asia/Saigon 時區的部署與評估快照，狀態為 experimental，尚未完成獨立同儕審查。範圍涵蓋 NLP、評分整合、NLG 資格判斷及語料更新；不制定新的易學規則，也不檢驗預測事件是否成真。^{[1] [2]}

2 參考資料與證據

主要依據包括已檢查的程式符號與雜湊值、重播彙總結果，以及部署檢查紀錄。公開附件不含使用者歷史問題或識別資訊。第 10 節的操作條件描述受檢版本，不構成 Vir 語言規範。^{[1] [2] [3]}

3 術語與定義

NLP 將問題轉為領域（domain）、問題類型（question type）與對象、事件、時間等槽位（slot）。原型是帶標籤範例的向量。**拒答原型庫（rejection bank）**保存不宜直接下結論的問題原型。NLG 將結構化資訊轉成文字。**直接回答（direct answer）**僅指啟用的回覆分支，不表示內容真實性已獲證實。

4 符號

$T$ 為 token 數，$D=64$ 為向量維度，$N$ 為計算權重所用的原型文件數，$df_b$ 為雜湊桶 $b$ 的文件頻率，$s=10$ 為目前 IDF 係數。$P$ 為正向原型最高分，$R$ 為拒答原型最高分。相似度為 0–100 的內部分數，不是事件發生機率。

5 慣例與假設

越南語為主版本，en 與 zht 為同版本譯文。知識層級分別處理：程式觀察屬於來源陳述，閾值屬於實作慣例，重播計數屬於計算結果，對未來資料的改善則是尚待驗證的假說。重播固定乾卦與相關條件，以隔離語言處理差異，並未抽樣完整起卦分布。

6 架構背景

I-Ching Engine 為整體引擎，六爻（Liuyao）與應期（Yingqi）是其元件引擎；共用的 NLP、評分與 NLG 屬於 I-Ching 層級。

流程為：問題經 NLP 轉成 QueryContext，引擎提供結構化卦象資料；評分層結合兩者，NLG 閘門再決定輸出標題、正文、保留說明及證據識別碼。職責分離有助於區分領域路由錯誤、卦象資料錯誤與措辭問題。語言分析不提供起卦所用的熵。^[1]

7 來源與材料

Python 資料快照有 466 筆歷史紀錄，其中 13 筆已隱藏，另有 753 筆快照。依可見性、非空問題及隱藏歷史關聯條件篩選後，讀取 443 筆歷史紀錄與 724 筆合格快照，共 1,167 筆來源資料。這些資料包含重複項，並非實際訓練樣本數。

去識別化並排除既有資料後，經使用者授權的 AI 審查涵蓋 361 個新問題，接受 218 題、排除 143 題。標籤來自 AI 審查及先前的弱監督，不是由獨立專家裁定的黃金標準。過去的占斷結論未被當作真實事件結果標籤。^[2]

8 資料準備與評估方法

近似重複問題先分組，再劃分資料。新接受的 218 題中，163 題列入訓練，55 題另行保留，原有分區不變。新訓練群組產生 144 個代表項；去除去識別標記並要求明確領域線索後，保留 93 個新領域原型。

143 題排除項中，64 題因過短或仍有遮蔽標記，不參與拒答學習。其餘分為 61 題訓練與 18 題驗證，55 個訓練群組代表構成拒答庫。接近已接受問題的範例不納入該庫。本次僅啟用 domain head，未啟用新歷史資料的 question-type 種子。

重播包括 75 個公開案例、180 個含舊資料的合格訓練項、59 個合格驗證項與 143 個排除項，共 457 個案例。候選設定與閾值曾利用這些分區比較，因此它們屬於開發驗證資料，不是從未觀察的盲測集。^[2]

9 向量表示模型

9.1 Token 與確定性向量

入口將文字轉小寫並去除首尾空白。斷詞採清理、空白切分及 CJK 位元組啟發式處理，不是完整語法分析器。Token 雜湊逐一處理 UTF-8 位元組：

$$h_0=5381,\qquad h_{i+1}=(131h_i+u_i)\mathbin{&}2147483647.\tag{1}$$

式（1）的 $&$ 表示數學上的位元 AND。Token ID 對應至 8,000 個位置。目前編碼器建立空權重表，因此採用由 ID 確定性生成的整數向量，各分量介於 −10 至 10。模組雖名為 subword，此路徑仍是 token 雜湊，沒有學習 BPE 合併操作。^[1]

9.2 權重與池化

文件頻率統計使用 4,096 個雜湊桶。當 $N>0$ 且 $df_b>0$ 時：

$$w_b=1+\left\lfloor\frac{(s-1)(N-df_b)}{N}\right\rfloor.\tag{2}$$

未出現的桶維持權重 1。這是整數線性變體，不是一般對數 IDF。句向量為加權總和：

$$q=\sum_{t=1}^{T}w_t e_t\in\mathbb{Z}^{64}.\tag{3}$$

池化不除以總權重。餘弦計分使用整數平方根，負分映射為 0，上限設為 100；零範數向量得分為 0。^[1]

10 路由與拒答演算法

每個標籤取其所有原型中的最高相似度，領域選擇另檢查最低閾值及與次高候選的差距。拒答庫沿用正向庫的 IDF，以便比較分數。已部署設定為：

$$\operatorname{reject}(q)=(R\ge45)\land(R+5\ge P).\tag{4}$$

式（4）成立時，領域改為表示歧義的 ID 99。若已設定拒答語料但檔案缺失、內容為空或閾值無效，模型判為無效；未設定拒答語料時維持舊行為。此條件補充既有完整性檢查。

NLG 直接回答閘門判斷：

$$\operatorname{direct}=(\operatorname{is_complete}=1)\land(\operatorname{confidence_overall}\ge60).\tag{5}$$

NLP 依 schema、領域／問題類型狀態，以及對象或事件是否存在，計算完整性。信心分數屬於內部指標，並非經校準的機率。^[1]

11 Vir 實作與語言生成

Native 後端以 .vri 實作 NLP、評分與 NLG，使用 virc 2026.2.19 編譯為 Linux ARM64。向量存放於 Vec。儲存庫雖有投影輔助程式及實驗性 ML 框架，目前編碼器直接回傳池化向量；本次更新未執行張量自動微分、SGD、對比學習或 LLM 微調。

NLG 使用規則、句型模板及槽位／時機組合，輸出支援 vi/en/zh/zht/ja/ko。它依卦象資料、領域、問題類型、分數區間與語言選擇措辭，並附上 hex_1_judgment 等證據識別碼。識別碼有助追溯，不能自行證明推論正確。資料準備與評估由 Python 腳本協調，因此 native runtime 採 Vir，不代表系統所有元件均以 Vir 編寫。^[1]

12 驗證與可重現性

附件提供彙總測量、binary／設定雜湊、來源清單及不含使用者資料的合成測試向量。verify-artifacts.py 重查公式、拒答邊界與計數一致性，不能取代引擎重播。

完整重播需要經授權存取去識別化私人語料，以及雜湊所指定的 binary／設定。語料不公開，因而限制外部獨立重現。部署曾備份 binary 與設定、執行 HTTP 檢查，並僅重新載入 native 服務；部署後多語 NLG canary 通過 8/8。^[3]

13 結果

• 合格驗證資料的領域相符數：23/59 → 27/59，約 39.0% → 45.8%，增加約 6.8 個百分點。
• 同一分區的問題類型相符數：35/59 → 35/59。
• 訓練資料領域相符數：80/180 → 136/180；訓練表現不是泛化證據。
• 143 題經審查排除項的直接回答數：23 → 4，相對基線沒有新增直接回答案例。
• 負例訓練集：19/61 → 0/61 直接回答；負例驗證集：4/18 → 4/18。
• 457 個候選回覆均具備所需文字欄位及受檢經文引用碼；此項衡量輸出完整性。

75 個公開回歸案例的指標維持不變：有標籤的領域為 69/70，問題類型 70/70，完整性 74/75。未退步不表示所有案例皆正確。另有 98 個 transport、18 個在地化與 8 個 NLG canary 案例通過；它們衡量不同性質，不能相加為 AI 準確率。^{[2] [3]}

14 討論

新增原型改善了受測資料的領域路由；拒答降低不當直接回答的效果主要出現在訓練項。負例驗證集仍有四題，計數沒有改善。領域相符數的增幅有限，絕對正確率仍偏低。後續研究應優先取得獨立標籤、建立未參與閾值選擇的新評估集，並分別評估 domain、intent、slot 與推理品質。這些是研究方向，而非已完成成果。

15 限制

AI 標籤可能有誤；歷史資料集中於部分主題，且主要為越南語。公開回歸偏重 yes/no，zht 僅有兩個 NLP 案例。固定情境重播不涵蓋所有卦、時點或解釋流派。確定性雜湊向量本身不會像已訓練嵌入一樣學習同義關係，雜湊桶亦可能碰撞。引用碼檢查不能完整評估來源使用。本文沒有延遲、記憶體或 Vir／Python 速度比較；NLP 結果不能用於宣稱起卦 CSPRNG 認證、易學規則正確性或預測有效性。

16 結論（Conclusion）

I-Ching Vir 結合 64 維向量路由、規則式 NLG 與結構化證據。Python 歷史資料更新新增領域原型、重算 IDF 並加入拒答範例，在已測範圍內提升領域驗證相符數，並減少經審查案例中的不當直接回答。NLG 並未作為語言模型接受訓練；解讀結果時，應同時保留尚存錯誤與評估限制。

Bibliography

• ^[1] 已檢查的實作來源清單與程式符號，2026 年 10 月 23 日。
• ^[2] 重播彙總及語料準備報告，2026 年 10 月 23 日。
• ^[3] Native 部署驗證與雜湊紀錄，2026 年 10 月 23 日。