Proposal 已经是结构化表达了吗？
是的，Proposal 就是 V167L 59 条里的一条——一个结构化的词条 ID：
{"id": "v015", "conf": 0.91}
这就是 EvidencePack Stage 1 的完整输出。Brain 层 LLM 接收操作员的自然语言指令，输出这样一条结构化记录，经接口 A 下发给 Spine 层。
关键区别：生成模型 vs 分类模型
Proposal 虽然是结构化的，但它不是分类模型的输出，而是生成模型被要求收敛到结构化空间。这个区别很重要：
| 传统 59 类分类器 | LLM 生成 Proposal | |
|---|---|---|
| 输出空间 | 59 个类别的 softmax | 无限词汇表，需要自己”找到” v015 |
| 能拒绝吗 | 不能（必须选一个） | 能输出 reject（欠定/矛盾时） |
| 上下文理解 | 不能 | 能（“带电”和”停电”在语境里有本质区别） |
| 可解释性 | 无 | 可要求输出推理链 |
举例：操作员说”把地线上的风筝线激光清除掉，现在线路带电”——分类器只能在 59 个类别里选一个概率最高的；LLM 能理解”带电”这个语境限定词，并在 v015（带电）和 v016（停电）之间作出有语义依据的区分。
为什么不直接训练分类器
分类器有两个根本缺陷在安全关键场景下无法接受：
① 没有拒绝能力。 分类器面对”把螺栓逆时针拧紧”（自相矛盾指令）只能硬选一个类别，无法识别指令本身有问题。LLM 可以输出 reject 并附上理由，触发 L1 规则守卫。
② 无法处理欠定指令。 “清除一下导线上的东西”——缺少带电状态信息，分类器会给出一个”最可能”的类别；LLM 可以识别参数缺失并拒绝，要求操作员补充。
这两种情况在 Paper-02 的 232 条测试集里各有 45 条（欠定）和 10 条（矛盾），零样本 Qwen2.5-3B 的拒绝率分别为 24.4% 和 10%——说明这种能力需要通过领域微调显式注入。
用生成模型的代价
把无限生成空间约束到 59 条词条，带来两类风险：
- 格式不合规：模型可能输出 V167L 之外的内容（如”v060”或自由文本），需要后处理解析和回退
- 危险对幻觉：在语义相近的词条之间（v015 带电 ↔ v016 停电）产生错误路由，这是 指标要量化的核心风险
这也是 Paper-02 的核心工程问题：如何让生成模型在保持拒绝能力的同时，将危险对幻觉率 压到 5% 以下。 分类器做不到前者，未经微调的 LLM 做不到后者——LoRA 领域微调是让两者同时成立的工程路径。