IGP预言A：大模型幻觉预测工具完整实现（世毫九实验室原创研究）

世毫九实验室Shardy Lab

106人浏览 · 2026-06-10 13:47:52

世毫九实验室Shardy Lab · 2026-06-10 13:47:52 发布

预言A：大模型幻觉预测工具完整实现（世毫九实验室原创研究）

作者：方见华

单位：世毫九实验室

一、项目总览（理论+功能定位）

1.1 核心理论依据（IGP 预言A）

核心公式

大模型语义流形（认知层芬斯勒流形 \mathcal{M}_C）上文本点 x 的幻觉概率：

\boldsymbol{P_h(x) = \alpha \cdot R(x) \cdot \exp\left(-\beta \cdot N\right)}

• R(x)：文本 x 所在语义流形标量曲率（曲率越大，语义模糊/矛盾越强，幻觉概率越高）；

• N：大模型总参数量；

• \alpha, \beta：全局拟合常数（由数据集分布、模型架构决定）；

• \exp(-\beta N)：模型规模衰减项（参数量越大，语义流形越平坦，幻觉整体概率越低）。

扩展预言（语义奇点）

语义奇点定义：芬斯勒度量行列式 \det(g^D_{\mu\nu}) = 0，此时流形几何退化，标量曲率 R(x)\to\infty，幻觉概率 P_h(x)\to 1。
工程判定：\det(g^D_{\mu\nu}) < \varepsilon_{\text{sing}}（极小阈值），判定为语义奇点，强制输出幻觉概率 \approx 1。

1.2 工具核心功能

1. 语义嵌入提取：支持主流大模型（BERT、RoBERTa、Llama、GPT、Qwen 等）生成文本语义嵌入，对应认知流形离散坐标；

2. 芬斯勒语义流形计算：离散流形局部度量张量、标量曲率 R(x)、度量行列式 \det(g^D_{\mu\nu})（奇点检测）；

3. 模型参数量管理：内置主流开源/闭源模型参数量，支持自定义参数量；

4. 全局系数拟合：基于标准幻觉数据集拟合 \alpha, \beta，计算拟合优度 R^2（IGP 验证核心指标）；

5. 幻觉概率定量预测：单文本/批量文本幻觉概率输出、语义奇点预警；

6. 标准数据集自动评测：对接 TruthfulQA、HalluEval 等幻觉基准，自动输出 R^2、准确率、奇点幻觉率；

7. 可视化分析：曲率-幻觉概率拟合曲线、语义奇点分布、模型规模效应可视化。

1.3 技术栈与运行环境

• 编程语言：Python 3.8+

• 核心依赖：torch、transformers、datasets、numpy、scipy、pandas、matplotlib、scikit-learn

• 硬件要求：CPU 可运行轻量模型；GPU（CUDA）推荐用于 7B/13B 及以上大模型嵌入提取

• 适配模型：Encoder 类（BERT/RoBERTa）、Decoder 类（Llama/GPT/Qwen）、Encoder-Decoder 类通用大模型

1.4 项目目录结构
igp_hallucination_predictor/
├── config.py # 全局配置、阈值、超参数
├── embedding_extract.py # 语义嵌入提取模块
├── manifold_calc.py # 芬斯勒流形曲率、行列式、奇点检测（核心）
├── model_params.py # 主流大模型参数量库
├── coeff_fitting.py # α/β 系数拟合、R²计算
├── predictor.py # 幻觉预测主类（整合所有模块）
├── dataset_eval.py # 标准幻觉数据集批量评测
├── visualization.py # 结果可视化模块
├── run_demo.py # 运行示例、单文本/批量测试
└── requirements.txt # 依赖清单
二、环境配置

2.1 依赖安装（requirements.txt）
torch>=1.12.0
transformers>=4.30.0
datasets>=2.14.0
numpy>=1.21.0
scipy>=1.9.0
pandas>=1.4.0
matplotlib>=3.5.0
scikit-learn>=1.1.0
tqdm>=4.64.0
安装命令：
pip install -r requirements.txt
2.2 全局配置（config.py）

统一阈值、正则项、超参数，贴合 IGP 理论数值要求：
# config.py
import numpy as np

# ===================== 全局数值正则化（防除零/对数溢出）=====================
EPS = 1e-10 # 通用极小正则项
EPS_SINGULAR = 1e-6 # 语义奇点判定阈值：det(g^D) < 该值判定为奇点

# ===================== 流形计算超参数 =====================
NEIGHBOR_K = 8 # 语义流形局部邻域点数（离散流形曲率计算用，推荐 6~10）
EMBED_POOLING = "mean"# 嵌入聚合方式：mean/last/cls

# ===================== 预言A 拟合/判定标准（IGP 官方指标）=====================
R2_PASS_THRESHOLD = 0.99 # 拟合优度通过标准：R² > 0.99
R2_FAIL_THRESHOLD = 0.90 # 证伪阈值：R² < 0.9
SINGULAR_HALLU_RATE_PASS = 0.95 # 语义奇点平均幻觉率通过标准 >95%
SINGULAR_HALLU_RATE_FAIL = 0.80 # 奇点证伪阈值 <80%

# ===================== 可视化配置 =====================
FIG_SIZE = (10, 6)
DPI = 150
三、核心模块完整代码实现

3.1 模块1：主流大模型参数量库（model_params.py）

内置主流模型参数量 N，支持自定义模型参数量，对应公式中 \exp(-\beta N) 项：
# model_params.py
# 主流大模型参数量 (单位：个，统一存储)
MODEL_PARAMS_DICT = {
# 开源轻量模型
"bert-base-uncased": 109_000_000,
"roberta-base": 124_000_000,
"bert-large-uncased": 340_000_000,
# 开源LLaMA系列
"llama-2-7b-chat": 7_000_000_000,
"llama-2-13b-chat": 13_000_000_000,
"llama-2-70b-chat": 70_000_000_000,
# Qwen 通义千问
"qwen-7b-chat": 7_000_000_000,
"qwen-14b-chat": 14_000_000_000,
# GPT 系列（闭源参考值）
"gpt-3.5": 175_000_000_000,
"gpt-4": 800_000_000_000,
# Llama 3
"llama3-8b-instruct": 8_000_000_000,
"llama3-70b-instruct": 70_000_000_000,
}

def get_model_param_num(model_name: str, custom_num: int = None) -> int:
"""
获取模型总参数量 N
:param model_name: 模型名称
:param custom_num: 自定义参数量（优先使用）
:return: 模型参数量 N
"""
if custom_num is not None:
return custom_num
if model_name not in MODEL_PARAMS_DICT:
raise KeyError(f"模型 {model_name} 未收录，请传入 custom_num 自定义参数量")
return MODEL_PARAMS_DICT[model_name]
3.2 模块2：语义嵌入提取（embedding_extract.py）

将文本映射为认知芬斯勒流形上的离散坐标，支持主流Transformer模型：
# embedding_extract.py
import torch
import numpy as np
from transformers import AutoTokenizer, AutoModel
from tqdm import tqdm
from config import EMBED_POOLING, EPS

class EmbeddingExtractor:
def __init__(self, model_name: str, device: str = "auto"):
"""
语义嵌入提取器
:param model_name: 预训练模型名称/本地路径
:param device: 运行设备 auto/cpu/cuda
"""
if device == "auto":
self.device = "cuda" if torch.cuda.is_available() else "cpu"
else:
self.device = device

self.tokenizer = AutoTokenizer.from_pretrained(model_name)
self.model = AutoModel.from_pretrained(
model_name,
torch_dtype=torch.float16 if self.device == "cuda" else torch.float32
).to(self.device)
self.model.eval()

def single_text_embed(self, text: str, max_len: int = 512) -> np.ndarray:
"""单条文本生成句级嵌入"""
inputs = self.tokenizer(
text,
return_tensors="pt",
truncation=True,
padding="max_length",
max_length=max_len
).to(self.device)

with torch.no_grad():
outputs = self.model(** inputs)

# 嵌入聚合：cls / 均值 / 最后一位
if EMBED_POOLING == "cls":
embed = outputs.last_hidden_state[:, 0, :]
elif EMBED_POOLING == "last":
embed = outputs.last_hidden_state[:, -1, :]
else: # mean
embed = outputs.last_hidden_state.mean(dim=1)

embed = embed.squeeze().cpu().numpy().astype(np.float64)
# 归一化（流形坐标标准化）
embed = embed / (np.linalg.norm(embed) + EPS)
return embed

def batch_text_embed(self, text_list: list, max_len: int = 512) -> np.ndarray:
"""批量文本生成嵌入矩阵 [N, dim]"""
embeds = []
for text in tqdm(text_list, desc="提取语义嵌入"):
emb = self.single_text_embed(text, max_len)
embeds.append(emb)
return np.array(embeds)
3.3 模块3：芬斯勒流形核心计算（manifold_calc.py）

工具核心模块：实现离散芬斯勒流形的度量张量 g^D_{\mu\nu}、标量曲率 R(x)、度量行列式（奇点检测），完全对接IGP芬斯勒几何理论。

离散流形计算说明：

1. 以目标文本嵌入为中心，构造局部邻域点集，模拟芬斯勒流形局部切空间；

2. 构造芬斯勒基本度量张量 g^D_{\mu\nu}（方向依赖度量）；

3. 计算度量行列式 \det(g^D_{\mu\nu})（语义奇点判定依据）；

4. 离散近似计算流形标量曲率 R(x)（预言A核心输入）。
# manifold_calc.py
import numpy as np
from scipy.linalg import det
from config import EPS, EPS_SINGULAR, NEIGHBOR_K

def build_local_neighborhood(center_embed: np.ndarray, k: int = NEIGHBOR_K) -> np.ndarray:
"""
构造语义流形局部邻域（模拟芬斯勒流形切空间离散点）
:param center_embed: 中心文本嵌入 [dim]
:param k: 邻域点数
:return: 邻域点矩阵 [k, dim]
"""
dim = center_embed.shape[0]
# 高斯扰动生成邻域（模拟流形局部采样，贴合芬斯勒方向依赖性）
np.random.seed(42)
noise = np.random.normal(loc=0.0, scale=0.08, size=(k, dim))
neighbor_points = center_embed + noise
# 归一化
for i in range(k):
neighbor_points[i] /= (np.linalg.norm(neighbor_points[i]) + EPS)
return neighbor_points

def build_finsler_metric(center_embed: np.ndarray, neighbor_points: np.ndarray) -> np.ndarray:
"""
构造芬斯勒度量张量 g^D_μν (离散形式)
理论：g_μν = 1/2 · ∂²F²/∂y^μ∂y^ν，离散化为邻域点内积矩阵
:param center_embed: 中心嵌入
:param neighbor_points: 邻域点 [k, dim]
:return: 芬斯勒度量张量 g [k, k]
"""
k = neighbor_points.shape[0]
g = np.zeros((k, k), dtype=np.float64)
# 离散芬斯勒度量：方向依赖内积矩阵
for i in range(k):
for j in range(k):
g[i, j] = np.dot(neighbor_points[i], neighbor_points[j])
return g

def calc_scalar_curvature(metric: np.ndarray) -> float:
"""
离散芬斯勒流形标量曲率 R(x) 计算（IGP 预言A核心）
离散近似方案（流形局部近似）：R = -ln(|det(g)|)，符合连续流形曲率定性规律
:param metric: 芬斯勒度量张量 g^D_μν
:return: 标量曲率 R(x)
"""
det_g = det(metric)
abs_det = abs(det_g) + EPS
# 标量曲率：行列式越小（流形越退化），曲率越大
R = -np.log(abs_det)
return float(R)

def calc_metric_determinant(metric: np.ndarray) -> float:
"""计算芬斯勒度量行列式 det(g^D_μν)（语义奇点判定）"""
return float(det(metric))

def is_semantic_singular(metric: np.ndarray) -> tuple[bool, float]:
"""
语义奇点检测
:param metric: 芬斯勒度量张量
:return: (是否为奇点, 度量行列式值)
"""
det_g = calc_metric_determinant(metric)
is_sing = abs(det_g) < EPS_SINGULAR
return is_sing, det_g

# 对外统一接口：单文本完整流形计算
def compute_manifold_features(embed: np.ndarray) -> dict:
"""
输入文本嵌入，输出流形全套特征：曲率R、行列式、奇点标记
:param embed: 文本语义嵌入 [dim]
:return: dict: {R, det_g, is_singular}
"""
# 1. 构造局部邻域
neighbors = build_local_neighborhood(embed)
# 2. 构造芬斯勒度量张量
fin_metric = build_finsler_metric(embed, neighbors)
# 3. 计算标量曲率
R = calc_scalar_curvature(fin_metric)
# 4. 奇点检测
is_sing, det_g = is_semantic_singular(fin_metric)

return {
"scalar_curvature_R": R,
"metric_determinant": det_g,
"is_semantic_singular": is_sing
}
3.4 模块4：系数拟合（coeff_fitting.py）

基于真实幻觉标签拟合 \alpha, \beta，计算决定系数 R^2（IGP 核心验证指标）：
# coeff_fitting.py
import numpy as np
from scipy.optimize import curve_fit
from sklearn.metrics import r2_score
from config import EPS

# 预言A 拟合函数：P_h = α * R * exp(-β * N)
def predict_func(x_data: tuple, alpha: float, beta: float) -> np.ndarray:
"""
拟合目标函数
:param x_data: 输入元组 (R_list, N)
:param alpha: 拟合系数 α
:param beta: 拟合系数 β
:return: 预测幻觉概率
"""
R_list, N = x_data
exp_term = np.exp(-beta * N)
return alpha * R_list * exp_term

def fit_alpha_beta(R_list: list, hallu_label: list, model_N: int) -> tuple[float, float, float]:
"""
拟合全局系数 α, β，并计算 R² 拟合优度
:param R_list: 样本标量曲率列表
:param hallu_label: 真实幻觉标签 (0=无幻觉, 1=有幻觉)
:param model_N: 模型总参数量 N
:return: (α, β, R_squared)
"""
R_arr = np.array(R_list, dtype=np.float64)
label_arr = np.array(hallu_label, dtype=np.float64)
x_input = (R_arr, model_N)

# 最小二乘拟合 α, β
popt, _ = curve_fit(
predict_func, x_input, label_arr,
bounds=([0, 0], [100, 1e-9]), # 系数合理范围约束
maxfev=10000
)
alpha, beta = popt

# 计算预测值 & R²
y_pred = predict_func(x_input, alpha, beta)
r2 = r2_score(label_arr, y_pred)

return float(alpha), float(beta), float(r2)
3.5 模块5：幻觉预测主类（predictor.py）

整合所有模块，实现单文本/批量文本幻觉概率预测 + 语义奇点预警：
# predictor.py
import numpy as np
from embedding_extract import EmbeddingExtractor
from manifold_calc import compute_manifold_features
from model_params import get_model_param_num
from coeff_fitting import predict_func
from config import EPS

class IGPHallucinationPredictor:
def __init__(
self,
model_name: str,
device: str = "auto",
custom_model_param: int = None
):
"""
IGP 大模型幻觉预测器主类
:param model_name: 文本嵌入模型名称
:param device: 运行设备
:param custom_model_param: 待评估大模型的自定义参数量
"""
# 1. 初始化嵌入提取器
self.embed_extractor = EmbeddingExtractor(model_name, device)
# 2. 获取待评估模型参数量 N
self.model_N = get_model_param_num(model_name, custom_model_param)
# 3. 全局拟合系数（初始为空，需先拟合）
self.alpha = None
self.beta = None

def set_fitted_coeff(self, alpha: float, beta: float):
"""加载已拟合的 α, β 系数"""
self.alpha = alpha
self.beta = beta

def single_predict(self, text: str) -> dict:
"""
单条文本幻觉预测
:param text: 输入文本/问答
:return: 预测结果字典（概率、曲率、奇点标记等）
"""
if self.alpha is None or self.beta is None:
raise RuntimeError("请先调用拟合接口 set_fitted_coeff 加载 α/β 系数")

# 1. 提取嵌入
embed = self.embed_extractor.single_text_embed(text)
# 2. 计算流形特征
mani_feat = compute_manifold_features(embed)
R = mani_feat["scalar_curvature_R"]
is_sing = mani_feat["is_semantic_singular"]

# 3. 预言A公式计算幻觉概率
if is_sing:
# 语义奇点：强制幻觉概率≈1
p_hallu = 1.0
else:
p_hallu = predict_func((np.array([R]), self.model_N), self.alpha, self.beta)[0]
# 概率截断 [0, 1]
p_hallu = np.clip(p_hallu, 0.0, 1.0)

return {
"input_text": text,
"scalar_curvature_R": round(R, 4),
"is_semantic_singular": is_sing,
"hallucination_prob": round(p_hallu, 4)
}

def batch_predict(self, text_list: list) -> list[dict]:
"""批量文本预测"""
results = []
for text in text_list:
res = self.single_predict(text)
results.append(res)
return results
3.6 模块6：标准数据集评测（dataset_eval.py）

对接TruthfulQA、HalluEval 两大主流幻觉数据集，自动完成拟合、R^2 计算、奇点统计（IGP 官方验证流程）：
# dataset_eval.py
from datasets import load_dataset
import numpy as np
from tqdm import tqdm
from predictor import IGPHallucinationPredictor
from coeff_fitting import fit_alpha_beta
from config import R2_PASS_THRESHOLD, R2_FAIL_THRESHOLD, SINGULAR_HALLU_RATE_PASS

def load_hallu_dataset(dataset_name: str = "truthful_qa") -> tuple[list, list]:
"""
加载标准幻觉数据集
:param dataset_name: truthful_qa / hallu_eval
:return: (文本列表, 幻觉标签列表) 0=无幻觉 1=有幻觉
"""
if dataset_name == "truthful_qa":
ds = load_dataset("truthful_qa", "generation", split="validation")
text_list = [f"Q: {q} A: {a}" for q, a in zip(ds["question"], ds["best_answer"])]
# TruthfulQA 标签：1=幻觉(错误回答), 0=真实回答
label_list = [1 if not t else 0 for t in ds["correctness"]]
elif dataset_name == "hallu_eval":
ds = load_dataset("pminervini/HalluEval", split="test")
text_list = ds["input"]
label_list = ds["label"] # 1=幻觉, 0=真实
else:
raise ValueError("仅支持 truthful_qa / hallu_eval")
return text_list, label_list

def run_full_evaluation(
embed_model_name: str,
eval_model_name: str,
dataset_name: str = "truthful_qa",
custom_eval_param: int = None
) -> dict:
"""
完整数据集评测流程（IGP 预言A 官方验证流程）
:param embed_model_name: 嵌入模型名称
:param eval_model_name: 待评估大模型名称
:param dataset_name: 幻觉数据集
:param custom_eval_param: 待评估模型自定义参数量
:return: 评测报告（R²、奇点幻觉率、验证结果）
"""
# 1. 加载数据集
print(f"[1/5] 加载 {dataset_name} 数据集...")
text_list, label_list = load_hallu_dataset(dataset_name)
sample_num = len(text_list)
print(f"数据集样本数: {sample_num}")

# 2. 初始化预测器
predictor = IGPHallucinationPredictor(
model_name=embed_model_name,
custom_model_param=custom_eval_param
)
model_N = predictor.model_N

# 3. 批量计算所有样本的标量曲率 R
print("[2/5] 计算所有样本语义流形曲率...")
R_list = []
sing_count = 0
sing_hallu_count = 0

for idx in tqdm(range(sample_num)):
text = text_list[idx]
embed = predictor.embed_extractor.single_text_embed(text)
mani_feat = compute_manifold_features(embed)
R_list.append(mani_feat["scalar_curvature_R"])

# 统计语义奇点 & 奇点幻觉数
if mani_feat["is_semantic_singular"]:
sing_count += 1
if label_list[idx] == 1:
sing_hallu_count += 1

# 4. 拟合 α, β 并计算 R²
print("[3/5] 拟合系数 α, β 并计算拟合优度 R²...")
alpha, beta, r2 = fit_alpha_beta(R_list, label_list, model_N)

# 5. 计算语义奇点平均幻觉率
if sing_count > 0:
sing_hallu_rate = sing_hallu_count / sing_count
else:
sing_hallu_rate = 0.0

# 6. IGP 验证/证伪判定
r2_result = "PASS(验证通过)" if r2 > R2_PASS_THRESHOLD else "FAIL(证伪)"
sing_result = "PASS(验证通过)" if sing_hallu_rate > SINGULAR_HALLU_RATE_PASS else "FAIL(证伪)"

# 组装评测报告
report = {
"model_name": eval_model_name,
"model_param_N": model_N,
"dataset": dataset_name,
"total_samples": sample_num,
"semantic_singular_num": sing_count,
"singular_hallu_rate": round(sing_hallu_rate, 4),
"fitted_alpha": round(alpha, 4),
"fitted_beta": round(beta, 8),
"r2_score": round(r2, 4),
"r2_judge": r2_result,
"singular_judge": sing_result,
"final_judge": "IGP 预言A 整体验证通过" if (r2 > R2_PASS_THRESHOLD and sing_hallu_rate > SINGULAR_HALLU_RATE_PASS) else "IGP 预言A 部分/全部证伪"
}
return report
3.7 模块7：可视化（visualization.py）

绘制曲率-幻觉概率拟合曲线、语义奇点分布，用于论文图表输出：
# visualization.py
import matplotlib.pyplot as plt
import numpy as np
from coeff_fitting import predict_func
from config import FIG_SIZE, DPI

plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

def plot_curve_fitting(R_list: list, label_list: list, alpha: float, beta: float, model_N: int, r2: float):
"""绘制标量曲率 R - 幻觉概率拟合曲线"""
plt.figure(figsize=FIG_SIZE, dpi=DPI)
R_arr = np.array(R_list)
label_arr = np.array(label_list)

# 真实散点
plt.scatter(R_arr, label_arr, c="#1f77b4", alpha=0.6, label="真实幻觉标签")

# 拟合曲线
R_range = np.linspace(min(R_arr), max(R_arr), 200)
y_fit = predict_func((R_range, model_N), alpha, beta)
plt.plot(R_range, y_fit, c="#ff7f0e", linewidth=2, label=f"IGP拟合曲线 $R^2$={r2:.4f}")

plt.xlabel("语义流形标量曲率 $R(x)$")
plt.ylabel("幻觉概率 / 真实标签")
plt.title("IGP预言A：语义曲率与大模型幻觉概率拟合")
plt.legend()
plt.grid(alpha=0.3)
plt.tight_layout()
plt.savefig("curve_fitting.png", dpi=DPI, bbox_inches="tight")
plt.show()
四、运行示例（run_demo.py）

提供单文本预测、批量测试、完整数据集验证三类示例，直接运行即可使用：
# run_demo.py
from predictor import IGPHallucinationPredictor
from dataset_eval import run_full_evaluation
from visualization import plot_curve_fitting
from coeff_fitting import fit_alpha_beta
from manifold_calc import compute_manifold_features
from embedding_extract import EmbeddingExtractor

def demo_single_text_predict():
"""示例1：单文本幻觉预测（含语义奇点测试）"""
print("===== 单文本幻觉预测测试 =====")
# 初始化预测器（嵌入模型：bert-base-uncased，待评估模型：Llama3-8B）
pred = IGPHallucinationPredictor(
model_name="bert-base-uncased",
custom_model_param=8_000_000_000 # 自定义Llama3-8B参数量
)
# 手动加载拟合系数（实际使用需先数据集拟合）
pred.set_fitted_coeff(alpha=2.15, beta=1.2e-10)

# 普通语义文本
text1 = "请问地球到月球的距离是多少？"
res1 = pred.single_predict(text1)
print("普通文本结果：", res1)

# 语义奇点文本（逻辑悖论/不存在实体）
text2 = "请描述一个方形的圆，它的边长是多少？"
res2 = pred.single_predict(text2)
print("语义奇点文本结果：", res2)

def demo_full_dataset_eval():
"""示例2：完整数据集验证（IGP 官方实证流程）"""
print("\n===== 标准数据集完整评测（TruthfulQA） =====")
report = run_full_evaluation(
embed_model_name="bert-base-uncased",
eval_model_name="llama3-8b-instruct",
dataset_name="truthful_qa"
)
# 打印评测报告
for k, v in report.items():
print(f"{k}: {v}")

if __name__ == "__main__":
demo_single_text_predict()
demo_full_dataset_eval()
五、使用指南 & IGP 实证判定规则

5.1 基础使用流程

1. 环境安装：执行 pip install -r requirements.txt；

2. 数据集拟合（必做）：运行 demo_full_dataset_eval()，基于 TruthfulQA/HalluEval 拟合 \alpha, \beta 并计算 R^2；

3. 单/批量预测：加载拟合后的 \alpha, \beta，调用 single_predict() / batch_predict() 输出幻觉概率；

4. 奇点分析：工具自动标记语义奇点，统计奇点幻觉率。

5.2 IGP 预言A 实证判定规则（严格对应论文标准）

1. 拟合优度判定

◦ 通过（理论成立）：R^2 > 0.99
◦ 证伪（理论需修正/推翻）：R^2 < 0.90
2. 语义奇点判定

◦ 通过：语义奇点样本平均幻觉率 > 95\%
◦ 证伪：语义奇点样本平均幻觉率 < 80\%
3. 综合结论

◦ 两项均通过：IGP 预言A 短期实证成立；

◦ 任意一项证伪：IGP 预言A 被证伪，需修正认知流形模型。