Run 001首次执行
确定性封套
- capability
- finance.npv
- runtime_bundle
- 0.1.0 · 4d64142e…
- platform
- darwin-arm64
- precision_mode
- float64
- thread_count
- 1
- value
- 505.020148896933
computation_hashb74f67d0d7a594aa…
确定性，由构造保证
确定性 AI，
由构造保证。
对模型提出同一问题两次，可能得到两个不同答案。这就是非确定性 AI——用于生成文本尚可接受，用于数字则是致命缺陷。SQAI 将数字从模型手中接管：每次计算均在固定的 float64 运行时上单线程执行，并输出可精确回放的哈希值。
II回放
两份凭证，相隔数月。
同一计算——以 10% 折现率对五期现金流执行 finance.npv——首次执行后，数月后再次回放。若确定性只是一句承诺，它需要您的信任；若它是一个哈希值，它只需要一次比对。
Run 002数月之后
确定性封套
- capability
- finance.npv
- runtime_bundle
- 0.1.0 · 4d64142e…
- platform
- darwin-arm64
- precision_mode
- float64
- thread_count
- 1
- value
- 505.020148896933
computation_hashb74f67d0d7a594aa…
完全一致。不是相似——是完全一致。
共享 computation_hashb74f67d0d7a594aa7ac91f6291612452aa8ccdf603351ebc8d801a6fddd91bc8
两种语言，同一字节流
TypeScriptcanonicalJson(result.value)
Pythoncanonical_json(result.value)
任意语言，字节完全相同505.020148896933
相同输入字节 → 相同 sha256 输出 → 相同证书
TypeScript 中的 canonicalJson 与 Python 中的 canonical_json 在构造上输出相同字节：−0 转为 0，键名排序，Unicode 转义规则固定。跨语言的哈希一致性并非碰巧——它是一项序列化契约。
III细则说明
确定性——在声明的范围之内。
"确定性"易于宣称，难以兑现。SQAI 并不声称结果在宇宙中每台机器上都完全一致，而是声明一个执行范围，将该范围记录于封套之中，并保证在此范围内的结果同一性。
记录环境胜于过度承诺。任何可能影响结果的因素，要么被固定，要么被写入记录。
每条结果均已声明deterministic_scope: "local_registered_source"
- runtime_bundle_version
- 运行所用的引擎构建版本——当前为 0.1.0，已固定
- runtime_bundle_sha256
- 该构建的内容哈希——在执行前完成验证
- platform
- 运行环境——darwin-arm64 或 linux-x64，已记录，从不假设
- architecture
- CPU 系列，出于同样原因写入记录
- precision_mode
- float64——每项能力统一使用同一数值精度
- thread_count
- 1——算术运算内部不存在调度竞争
- seed
- 可选——仅由恰好 10 项模拟能力要求
- input_hash
- 数据在执行前的状态，已加盖时间戳
IV域分离的溯源机制
三个哈希，三个问题。
此处的溯源并非一行日志，而是三个 sha256 构造，各自回答不同的问题，各自基于规范字节计算而得。
plan_hashf87610d8afeb…将要运行什么。
已解析的执行计划，在任何操作执行前完成哈希。同一问题解析为同一计划——decision_path: exact_spec——因此计划一经审查，永久有效。
invocation_hash请求了什么。
调用的身份标识——能力加上其规范化参数——附带各自的版本标记前缀。explainQuery 以预演形式打印此哈希；实际执行的哈希在运行时独立加盖。
computation_hashb74f67d0d7a594aa…返回了什么。
在值的规范字节之前折入 invocation_hash。答案与其问题形成密码学链接——此哈希无法被移植到不同的结果上。
invocation_hash = sha256("sqai:invocation:v1\0" + canonicalJson(identity))
computation_hash = sha256("sqai:computation:v1\0" + invocation_hash + canonicalJson(value))前缀本身才是关键。"sqai:invocation:v1"与"sqai:computation:v1"是字节的不相交宇宙：调用永远不会与计算发生碰撞，未来的 v2 也永远无法冒充 v1。域分离使哈希成为证据，而非装饰。
在这三者之下，接口本身已被固定。定义可运行内容的能力契约随附其自身的哈希一同发布：contract_hash sha256:79f1c5a6c716…
温度 0
并非确定性。
采样不是执行——模型在此从不进行计算
V采样与执行
模型选取词元，引擎负责计算。
temperature: 0一种解码设置
- 贪婪解码缩小了下一个词元的范围。数字仍是预测所得，而非计算所得。
- 同一问题仍可能生成不同的 SQL——进而得出不同答案——且没有任何机制会标记这一差异。
- 没有任何记录：无运行时信息，无输入哈希，无从回放。
computation_hash一种执行属性
- 模型提交一份类型化计划，引擎执行它——float64，单线程，固定构建包。
- 环境随结果一同传递，封存于确定性封套之中。
- 每条答案均打印 computation_hash。回放是一次比对，而非一场争论。
0/16 → 16/16
同一模型在十六道定量问题上的表现——引擎介入计算前后的对比引擎本身经过审计：2,744 项正确性检验，0 项不匹配，最大数值误差 1.8e-15。
VI确定性可能失效之处
十个随机种子，一条绊线。
seed_required
4,574 项已开放能力中，有 10 项涉及随机性模拟。未设种子时，这些能力根本不会运行——调用在执行前即被拒绝。设置种子后，它们与其他能力一样可以回放。没有隐藏熵，没有静默例外。
十项之一distributions.sample_normal
schema_revision_mismatch
每个已注册数据源均携带一个模式版本号。若以已变更的数据回放计划，引擎将以结构化错误拒绝执行——而非悄然输出一个不同的数字，令任何机制都无从察觉。
每个数据源均已声明schema_revision
4,564 项原生确定性 · 10 项设种子后确定性 · 0 项依赖猜测
VII常见问题
确定性 AI，直问直答。
什么是确定性 AI？
一种答案可精确复现的系统：相同输入，相同输出，可证明。SQAI 从架构层面实现这一点——计算在固定的 float64 运行时上单线程执行，每个结果都携带 computation_hash，可逐字节重放。
什么是非确定性 AI？
一种对相同请求可能产生不同输出的系统。语言模型通过采样生成 token，同一问题可能产生不同的推理、不同的 SQL、不同的数字——且没有任何信号表明结果已发生变化。可重放的哈希值正是应对这种漂移的解药。
将 temperature 设为 0 不就能让 LLM 具有确定性吗？
temperature 只影响下一个 token 的选取方式。模型仍在预测你的数字，而非计算它，且运行过程既不被记录，也无法重放。SQAI 的确定性是执行层面的属性，而非解码层面的：模型提交一份有类型的计划，由引擎完成运算。
如何验证两次运行确实返回了相同的答案？
比较每个结果上的 computation_hash。它是对调用标识和值的规范字节进行域分隔的 sha256，哈希值匹配即意味着答案逐字节一致——finance.npv 示例在 TypeScript 和 Python 中均输出 b74f67d0…。
模拟怎么可能是确定性的？
关键在于拒绝暗中引入随机性。SQAI 的 4,574 个公开能力中，恰好有 10 个模拟随机性；不带种子调用时会被拒绝并返回 seed_required，带种子调用时则与其他所有能力一样可精确重放。
如果首次运行与重放之间数据发生了变化，会怎样？
重放会明确失败。每个已注册的数据源都携带 schema 版本号，针对已变更数据重放计划时会返回 schema_revision_mismatch——这是一个结构化错误，而非悄然产生不同的数字。