实验结果

所有实验基于 Qwen2.5-3B-Instruct QLoRA 微调，评估代码见代码页，训练数据见数据集页。

数字均为精确值， $H_\mathrm{FT}=0.0155$ （显示为 0.016）， $T_{P95}=1323\,\mathrm{ms}$ （Interface A 合规）。

核心指标汇总

0.944

全局命中率 Q(f)

≥0.90 阈值 ✅

0.016

危险对幻觉率 H

<0.05 阈值 ✅（16.5× 降低）

1253 ms

平均推理延迟

P95=1323 ms，99.6% 合规

≤155 ppm

P(unsafe)

三层安全链上界

以下表格对比了零样本基线与 QLoRA 微调后模型的路由性能，并以 Phi-3.5-mini 作为负控组。

模型	$Q(f)$	$H$	$\Delta_{\mathrm{align}}$	说明
Qwen2.5-7B（零样本）	0.678	0.070	0.322	满足 H 但不满足 Q
Phi-3.5-mini（零样本）	0.565	0.163	0.435	负控组：两者均不满足
Qwen2.5-3B（零样本）	0.480	0.256	0.520	两者均不满足，验证微调必要性
Qwen2.5-3B（QLoRA FT）	0.944	0.016	0.056	两项指标均满足 ✅

$\Delta_{\mathrm{align}} = 1 - Q(f)$ ，表示路由对齐误差距离，与 $d_\mathrm{Sem}$ 谱泛化界直接关联。

零样本 3B 模型 $Q=0.480$ ，7B 模型 $Q=0.678$ ，两者均低于 0.90 部署阈值。QLoRA 微调后 3B 模型跃升至 $Q=0.944$ ，超越零样本 7B 基线 +39%，验证了”小模型+领域微调 > 大模型零样本”的核心结论。

Phi-3.5-mini 负控组（3.8B，INT4 量化）仅达 $Q=0.565$ ，低于同参数量零样本 3B 基线，说明模型架构和预训练数据对中文语义流形的匹配至关重要，参数量非决定性因素。

$H$ 从 0.256 降至 0.016，降低 16.5 倍（ $0.256 / 0.016 = 16.5$ ）。微调使模型习得了危险对语义边界，不再将”拧松”（R07）与”拧紧”（R09）混淆。

Phi-3.5-mini 负控组延迟为 $\bar{T}=1018\,\mathrm{ms}$ （ $T_{P95}=1046\,\mathrm{ms}$ ），因架构差异快于微调 3B 模型，但路由质量不达标，不能用于部署。

基于三层安全链结构，Paper-02 微调使 Brain 层危险对幻觉率从 $H_0=0.256$ 降至 $H_\mathrm{FT}=0.016$ ：

$P(\text{unsafe}) \leq H \cdot (1 - R_{L2}) \cdot (1 - R_{L3})$

$\leq 0.016 \times 0.17 \times 0.01 \approx \mathbf{2.7 \times 10^{-5}} = \mathbf{27 \text{ ppm}}$

理论上界降低至 ≤155 ppm（保守估计），比零样本基线 $H_0 \times (\cdot) \approx 0.256 \times 0.17 \times 0.01 \approx 435\,\mathrm{ppm}$ 降低 15.8 倍。

实验	指标	3B 零样本	3B QLoRA FT	目标	通过
模型对比	$Q(f)$	0.480	0.944	≥0.90	✅
模型对比	$H$	0.256	0.016	<0.05	✅
模型对比	$\Delta_{\mathrm{align}}$	0.520	0.056	—	—
延迟测试	$T_{P95}$	—	1323 ms	≤2000 ms	✅
延迟测试	Interface A 合规率	—	99.6%	≥95%	✅
安全链	$P(\text{unsafe})$ 上界	~435 ppm	≤155 ppm	—	↓15.8×