象信·系统一xiangxin-s1-1.0.0
系统一模型：
给软件的决策，
不是给人看的文字
发送一段内容作为 state，附上一组带类型的问题（Choice / Score / Noul），一次前向拿到结构化答案和校准概率。没有长篇回复，没有 JSON 解析失败。
工单 24 问 · 耗时实测 2026-09-26
象信·系统一1.0×0.465s
DeepSeek-Flash 不思考0.49×0.94s
DeepSeek-Flash 思考0.03×16.32s
官方 API，含网络耗时；思考为 5 次中位数，不思考为 10 次中位数
大模型写给人看，
象信只做判断
不是聊天
大模型为「让人满意」而训练，擅长写东西，但会跑题、会过度自信，输出还得再解析。要让软件直接用，就得有人盯着。
判断模型
象信·系统一不逐字生成。你定义答案的形状，它一次前向给出每个选项的概率——软件拿到就能用。
决策，不是字符串
类型化输出，代码可以直接 if。
校准置信度
每个答案都带概率，知道自己有多确定。
更像代码
同样输入几乎同样输出，问题之间互不干扰。
输出免费
只按输入 token 计费。
快 35 倍，
便宜 607 倍。
*同一张客户工单、同样 24 个问题，对比 DeepSeek-V4.1-Flash 开思考（官方 API、高峰价）。看完整录像
工单 24 问 · 实测回放
象信·系统一xiangxin-s1-latest
$ POST /v1/systemone · 24 个问题并行评估
DeepSeek-V4.1-Flash思考 high
$ POST /chat/completions · 逐 token 生成
象信·系统一¥0.0000460.465s
DeepSeek-Flash¥0.02816.32s
回放数据来自 2026-09-26 的一次真实调用（两边耗时恰为 5 次实测的中位数）。24 个答案里 22 个与 DeepSeek 一致。关掉思考后 DeepSeek-Flash 中位 0.94s、¥0.0019：象信仍快约 2 倍、便宜约 41 倍——速度差距主要来自对方思考。
完整录像 · 系统一 vs DeepSeek、条件反射 vs 正则1080p
系统一.置信度
同一张工单的 24 个答案
把鼠标移到格子上看答案
给自动化用的
每个答案都带校准概率。你来设阈值：高于阈值的直接自动处理，低于的转人工或交给更强的模型。拖一下左边的滑块，就是你上线后要做的那个决定。
if ans.confidence >= 0.6:
自动处理(ans)
else:
转人工(ans)
格子为实测答案；noul 的置信度取 max(p, 1−p)。
两个模型，同一个接口，只换 model
象信·条件反射xiangxin-reflex-1.0.0
替代正则，自己练
regflex = regex flash，比正则还快
- 毫秒级，耗时不随「规则」增多而变长
- 上传标注样本即可练，练反射目前免费
- 输入 ¥0.00042 / 百万 token，比系统一便宜 100 倍
2.4 万字通话转写稿 · 用户有没有不满实测 2026-09-26
象信·条件反射0.156s · 抓到
77 条质检正则10.57s · 漏报
快 68 倍、便宜 41 倍。正则漏掉了没带负面词的不满。正则在 MacBook 上用 Python re 单线程运行，取 5 次中最快的一次；费用按阿里云 4 核 8G（¥3,459.9/年）折算 CPU 时间。条件反射没有世界知识，适合「看一眼就该反应」的判断，拿不准的样本可以升级给系统一。
价格
每百万 token 价格（人民币）2026-09
输入 …
DeepSeek-Flash 未命中¥2.00
DeepSeek-Flash 命中¥0.04
象信·系统一¥0.042
象信·条件反射¥0.00042
输出 …
DeepSeek-Flash¥8.00
象信免费
DeepSeek 为官方高峰时段价。注意：DeepSeek 缓存命中时的输入价与象信·系统一相当，差距主要在输出（思考 token 也按输出计费）。
¥42每十亿输入 token（系统一）
¥5注册即送（1 个月有效），约够处理 1 亿输入 token
¥0月费、最低消费、输出 token
按量预付，充值最低 ¥10，充值额度 12 个月有效，未消耗余额可申请退款。练条件反射目前免费。
先用 ¥5 试你自己的数据免费开始
常见问题
象信·系统一和大模型有什么区别？
大模型擅长写东西给人看；象信·系统一只做判断。你事先定义好答案的形状（选项、档位或真假），它直接返回概率分布，不经过逐字生成，所以更快、更便宜，结果也不需要解析。两者常常搭配使用：象信负责分流和把关，大模型负责真正需要写作或多步推理的部分。
条件反射和正则有什么区别？
名字里就写着：reflex 是把 regex 的 g 换成 fl，regex flash，比正则还快。正则要人一条条写，换一种说法就漏，规则越多越难维护，复杂的写法还会越跑越慢。条件反射是有智能的模型，而且你可以自己训练：给它几百条“这种输入 → 这个答案”的例子，它就能学会其中的规律，换个说法也认得出来，毫秒级给出带概率的答案，耗时不随规则多少变化。它没有世界知识，所以只用在“看一眼就该反应”的判断上；手机号、订单号这类格式固定的匹配，仍然交给正则。
它能生成文字或写代码吗？
不能，这是设计上的取舍。象信的输出只有 Choice、Score、Noul 三种类型化答案。需要抽取某段文字时，常见做法是先用正则或规则找出候选，再让象信从候选中选出正确的那个。
支持中文吗？
支持。中文和英文都在训练数据中，状态和问题都可以直接用中文书写，也可以中英混排。不过任何模型在具体业务上的表现都需要实测：建议先用几十条自己的数据跑一遍，并结合置信度决定哪些结果自动处理。
跟 TypeSafe Jev 比较过吗？准确度和速度怎么样？
比较过。同一批题目、同样的问题和选项，分别发给 Jev（jev-1.13.0）和象信·系统一：
| 测试项 | 象信·系统一 | TypeSafe Jev |
|---|---|---|
| 公开任务·判断题（Noul）准确率 | 87.7% | 81.2% |
| 公开任务·选择题（Choice）准确率 | 84.4% | 81.9% |
| 概率校准（判断题 / 选择题 NLL，越低越好） | 0.28 / 0.42 | 0.44 / 0.77 |
| 中文任务（7 项平均） | 81% | 59% |
| 代码克隆判断 | 100% | 60% |
| JevBench 简单集 | 100% | 100% |
| MMLU（知识问答） | 84.5% | 90.5% |
| ANLI（对抗式推理） | 59% | 71% |
| JevBench 困难集（复杂推理） | 58% | 74% |
| 国内网络往返 | 约 20 毫秒 | 约 0.9 秒 |
| 国内调用端到端（1 个问题、短输入） | 约 0.12 秒 | 约 1 秒 |
公开任务来自分类、推理、情感、问答等五十多个公开数据集；中文和代码任务与象信的训练数据属于同类分布，这部分优势有一部分在意料之中。延迟是从国内直接调用两边公开 API 的实测中位数，象信为保持连接时的结果。分流、审核、打标签这类“看一眼就能判断”的任务，尤其是中文场景，可以直接用象信；答案依赖大量常识或多步推理时，Jev 目前更强，建议先用自己的数据试一试。
怎么计费？
只按输入 token 计费：系统一 ¥0.042 / 百万 token（即 ¥42 / 十亿 token），条件反射 ¥0.00042 / 百万 token，输出免费；练条件反射目前免费。每个账号注册即送 ¥5 额度，1 个月内有效；充值为预付费，最低 ¥10，充值额度自购买起 12 个月内有效，未消耗的充值余额可申请退款。用量和账单可在控制台实时查看。
我的数据会被用来训练模型吗？
不会直接用来训练。我们不直接使用你通过 API 或在线调试（Playground）发送的请求、返回的答案、练条件反射的样本或账户数据来训练模型；可能参考它们的类型和结构，生成不含你原始内容的合成数据来改进模型。请求内容和训练样本最多保存 30 天，用于故障排查、滥用与安全调查、计费争议处理和上述合成数据，到期自动删除；token 数、时间和费用等用量数据按法律要求保存用于计费。组织可以在控制台 设置 → 组织 开启零内容留存，开启后不保存内容、也不用于合成数据。所有服务与数据都在中国大陆。详见隐私政策。
置信度可信吗？
模型的概率经过校准训练，这是在大量样本上成立的统计性质：在所有给出 0.8 的答案里，大约八成是对的。它不保证某一个具体答案一定正确。上线前请用你自己的标注数据检查阈值，再据此设置自动处理与人工复核的分界线。
有速率限制吗？
有。系统一每个组织默认 1,000 token/秒、300 请求/分钟，单请求上下文 64k token；条件反射单独计算，默认 200,000 token/秒、6,000 请求/分钟。超出限制会返回 429 并附带 retry-after，官方 Python SDK 会自动退避重试。需要更高额度请联系我们。
如何开始？
用邮箱和验证码登录控制台（首次登录填写手机号），领取注册赠送的 ¥5 额度，先在 Playground 里粘贴一段文本试几个问题；满意后创建 API 密钥，pip install xiangxin-sdk，几行代码即可接入。文档里有 8 篇以上可直接运行的中文实战手册。
