本页把「关掉校准」和「打开校准」两条路径并排跑给你看。 上半部分是纯数学内核的最小可复现实验，毫秒级返回、不调用大模型； 下半部分是端到端真实推演，展示排序在真实案例上是否被改变。
任意填写一组「结局分支概率 P(o|a)」与「分支条件后验 q(h|o,a)」， 内核会检查它们是否满足全概率约束 Σ P(o|a)·q(h|o,a) = b(h)， 并给出 IPF 投影后的结果。整个过程不经过任何大模型。
| 边缘一致 Σ P(o|a)·q*(h|a,o) = b(h) |
IPF 不动点的定义，收敛后逐项成立 |
| 非负性 IG(a) ≥ 0 |
由熵的凹性与 Jensen 不等式，在边缘一致的前提下推出 |
| 有界性 IG(a) ≤ H(b) ≤ log₂K |
由条件熵非负推出 |
| 最小失真 argmin KL(J‖J⁰) |
IPF 不动点即 Csiszár I-投影：在所有满足约束的解中，与原始推演的 KL 距离最小 |
scripts/selftest.mjs 在 500 组随机输入上逐条验证，
部署后运行 npm run selftest 即可复现。同一次推演的同一批候选动作，分别用「截断为零」（业界常见做法）和 「IPF 校准」两种方式计算效用并排序，逐条比对。