从车载对话中抽取「人物 / 身份 / 座位位置 / 公司品牌」的结构化信息。用类型化决策模型（laya-multilingual）替代 2000-token 巨型 prompt，在 510 条模板构造集（seed=42 构造即标注）上把人名 F1 从 0.793 提到 0.964（追平远端 LLM），同时比旧管线快 27 倍、零 token 成本。
选推理模式与例句分类，点例句看座舱图点亮对应座位。
⚠️ 上方两种模式跑的是同一套 v5 管线（JS 移植，与 Python 输出 51 条对拍 51/51 逐字节一致）， 区别只在推理发生的位置：预录制回放 = 结果由真实 laya-multilingual 在 Apple M4 Pro 上跑出后固化 （2026-10-23 已用 v5 管线逐条重跑）；浏览器实时推理 = 模型（~678MB fp16，国内自动走 hf-mirror； 无持久缓存，每次启用需重新下载）下载进你的浏览器后完全本地推理——零服务器、零 token 成本、隐私不出浏览器。 「管线轨迹」展开可见每条例句的中间结果：候选生成、锚点判定（含模型概率）、增量扫描、属性问答与代码门控裁决。
测试数据集：自建车载中文信息抽取测试集（无公开基准）——51 条人工标注（真实车载口语风格，覆盖人物/身份/座位/公司四类）、510 条构造扩充集（10 个模板族，seed=42 构造即标注）与对抗子集；下方两表分别在 510 扩充集与同机 51 条上报告。
全部数字可用仓库内 scripts/compare_results.py 对 gold 集离线复算。
| 指标 | laya v1 | laya v3 | laya v4 | laya v5（当前） | qwen3.8-flash（关思考） |
|---|---|---|---|---|---|
| 人名 P / R / F1 | 0.885 / 0.719 / 0.793 | 0.924 / 0.908 / 0.916 | 0.958 / 0.931 / 0.944 | 0.971 / 0.957 / 0.964 | 0.964 / 0.964 / 0.964 |
| 位置 / 身份准确率 | 0.779 / 0.828 | 0.755 / 0.796 | 0.799 / 0.885 | 0.879 / 0.888 | 0.988 / 0.979 |
| 行级全对 | 368/510 (72.2%) | 444/510 (87.1%) | 462/510 (90.6%) | 481/510 (94.3%) | 491/510 (96.3%) |
| 指标 | 旧管线 Qwen2.5-Omni-7B （LLM 生成，边车→平台） |
open-jev （DeBERTa-v3-large，仅英文） | laya-multilingual v5 （mmBERT-base 322M） |
|---|---|---|---|
| 延迟 p50 | 0.745s | 1.353s | 0.028s |
| 延迟 p95 | 1.424s | 3.913s | 0.051s |
| 吞吐 | ~68 条/分 | 38.8 条/分 | 1935 条/分 |
| 加载 / 内存 | 远端服务 | 4.4s / 0.7GB | 6.0s / 2.1GB |
| 每次调用成本 | 1400 prompt + 39 completion tokens | 本地机时 | 本地机时 |
两张表的轴：表 1 回答「提取有多准」——laya 四列是同一个 laya-multilingual（mmBERT-base 322M）模型、只换管线规则版本（v1→v5），v5 F1 0.964 已追平远端 LLM 参照 flash；
表 2 回答「三种技术路线各有多快」——同机 51 条实测，laya 纯本地前向、零 token 成本（flash 为远端 LLM 调用、按 token 计费）。
按模板族分解、分布外对抗子集、性能口径（为何在 51 条上测、510 条交叉验证）与全部复现命令，见 evaluation.md。
图 1 · 旧管线（2000-token 巨型 prompt × Qwen2.5-Omni-7B 一次出 JSON）vs 新管线（规则候选 → laya 类型化决策 → 代码层门控），同机 p50 0.745s → 0.028s
旧管线把 2000-token 的抽取规则塞进 prompt 让 LLM 一次输出 JSON； 新管线改成一串封闭选项的判别式问题，由 laya 判别式作答（单次调用内并行答全部问题；管线按锚点→扫描→属性分多轮调用）。
输入输出：输入一句车载口语中文（可含多人、否定句、品牌线索）；输出 JSON {"persons": [{"name", "identity", "location", "company"}]}——每个识别出的人物给出身份（15 选项封闭集）、座位（13 选项封闭集）与公司/品牌（v5 起，~90 词词典就近绑定、零模型调用）；证据不足的字段置空（防幻觉）。