知识卡片：知识层模型（KLM）：证据可见的 AI 输出、路由诊断与负面结果

一句话结论

KLM 是一份开放的、与实现无关的推理记录规范，目标是让审查者能检查 AI 答案“依据什么”，但论文本身报告的多为内部实验与负面结果，尚不构成端到端验证。

事件概述或研究问题

• AI 答案仅有“表面正确”不够，审查者需要查看其记录的依据（recorded basis）。
• 作者提出 Knowledge Layer Model（KLM）：为推理记录定义带版本的认识论评估（epistemic assessments）、证据关系（evidence relations）与显式未知项（explicit unknowns）。
• SEDIM（Nage AI OS 的知识与证据架构）作为参考实现；论文引用 KLM v0.3（仓库 tag v0.3.0）。
• 研究问题可概括为：如何让 AI 输出中的证据基础可被审查，以及相关诊断与实现是否真的有效。

方法/产品要点

• 规范层面：开放、实现中立的推理记录规范，强调证据可见性与版本化评估。
• 参考实现：SEDIM。
• 经验材料：来自若干彼此独立的内部实验，明确不是端到端验证。
• 验证工具：Python 与 TypeScript 验证器据报告在每个合成夹具（synthetic fixture）的六项检查上一致；另有一份独立的生产披露未被接受。

主要结果或产业意义

• 历史平台域路由基准：15 类共 150 条中 137 条分类正确（91.3%；名义 95% Wilson 区间 85.7–94.9%）；分子由四舍五入的摘要反推，历史样例归属未核实。
• 原生模型权重路径配置：在修正后的双源测试中 0/15 成功回答。
• 容量增长比较：因遗留评分器有缺陷且原始输出缺失，无法确立可靠效应。
• 词法与范围化诊断：在“静默 vs 被反驳”样例上 AUC 均为 0.008，低于注册的最低门槛 0.65。
• 遗留打包（legacy packing）：221 个选中案例中 118 个丢失了含金标文本；修复后的打包在 221/221 中保留。作者强调这测量的是文本存在性，不是答案质量。

为什么重要

• 把“证据可见性”作为 AI 输出的独立维度提出，回应了审查与审计需求；但作者明确：证据可见不等于正确性、因果依赖、安全性或合规性。
• 大量负面结果（0/15、AUC 0.008、打包丢文本）对同类“证据层/审计层”工作有警示价值：诊断指标可能完全失效，遗留管线可能静默丢失关键文本。
• 与既有卡片中“LLM 裁判静默失效、有效样本被悄悄削减”的脉络相呼应：本条进一步给出诊断指标低于注册门槛、以及历史基准分子需反推等具体不确定性信号。

局限与不确定性

• 全部发现为内部、作者自报；历史观察与后续复现被区分对待。
• 非端到端验证；路由基准的分子为反推值，历史样例归属未核实。
• 容量增长比较因评分器缺陷与原始输出缺失而无法得出结论。
• 恢复（restoration）、再推导（re-derivation）、人类评分量表支持、边界隔离与有界响应评估仍属提议阶段。
• 独立复现与完整公开审计包仍是未来工作。
• 待核实：KLM 规范在真实生产环境中的可用性、SEDIM 的部署范围、以及各负面结果是否能被外部复现。

可用于图书/PPT/简报的角度

• “证据可见性 ≠ 正确性”：作为 AI 审计章节的警示案例。
• 负面结果的价值：0/15 与 AUC 0.008 说明诊断层本身需要被诊断。
• 数据管线静默失败：遗留打包丢失含金标文本 118/221，适合讲“评测前先验证评测管线”。
• 规范与实现的分离：开放规范 + 参考实现 + 内部实验的组合，讨论“可审计 AI”的工程化路径与证据缺口。

原始材料

• 标题：The Knowledge Layer Model (KLM): Evidence-Visible AI Output, Routing Diagnostics, and Negative Results
• 作者：Omer Asim Ozturk, Cihan Aydiner
• arXiv ID：2610.42066v1（cs.AI；cs.CL）
• 发布/更新：2026-10-30T17:26:18Z
• 摘要页：https://arxiv.org/abs/2610.42066v1
• PDF：https://arxiv.org/pdf/2610.42066v1
• 关键词（英文）：Knowledge Layer Model, KLM, evidence-visible AI output, routing diagnostics, negative results, epistemic assessments, SEDIM, Nage AI OS