《午夜分诊台》— HydroJEV 论文深度解读

凌晨两点十七分，城市供水调度中心的大屏忽然红了。

SCADA 系统——那个二十四小时盯着全城水管压力、流量、水罐液位的电子哨兵——从 C-Town 管网西南角读到了一组不对劲的数字：某座水罐液位半小时跌了四十厘米，对应泵站的流量曲线却平得像一条死人的心电图。警报响了，值班操作员手边有四部电话：应急小组、维修队、仪表班组、网络安全组。打哪一部，取决于一个看似简单、实则要命的问题：这是哪一种坏事？

如果是网络攻击，得立刻拉起应急、隔离分区，每拖一秒攻击者都在扩大战果。如果是爆管，维修队必须马上上路，晚一小时就是几百吨水和一条被冲空的路基。如果只是用水需求的正常波动——那你谁也不该惊动，凌晨的误报是在燃烧整个体系的信任额度。还有一种最阴的可能：传感器本身坏了，仪表在撒谎，管网安然无恙——工单该开给仪表班组，而不是凿开路面。

看出关键了吗？这四类的处理方式几乎零重叠：攻击要应急响应和取证，爆管要抢修车，瞬态什么都不做，传感器故障只需一张维修工单。把攻击当爆管，应急资源被派去凿好端端的路面，真攻击者在混乱里继续得分；把爆管当瞬态，几百吨水白白渗入地下；把传感器故障当攻击，凌晨两点一个无辜的夜班组被架上安全审查的火刑柱。检测异常在今天已经不难，难的是下一步：归因——这个判断，目前大多还压在人肉上。

昨天我们看了 Mímir：一个大语言模型想走进灌溉的物理世界，得先给自己造一道不可篡改的门，那是「能力的代价」系列的第一篇。今天的故事发生在另一条管线上，主题还是同一句话：能力是要付钱的，区别只在于账单寄给谁。

这篇论文叫 HydroJEV，十月初挂上 arXiv（2610.02048，cs.AI），作者团队来自沈阳建筑大学市政与环境工程学院、广州工业智能研究院、中科院沈阳自动化所、沈阳大学和东华大学。他们问的问题朴素得像一句牢骚：警报每秒都在进，能不能让一个"一秒出判断"的模型当第一道分诊——像医院急诊门口经验丰富的护士，病人一进门，扫一眼气色，十秒内把人分到"危重"或"候诊"？护士的快诊会漏人，所以她的话从来不是终判，但她能把人潮先筛一遍，让真正需要主治医生的人排上队。

先把结论摆在这儿，后文慢慢拆：一个零训练、一秒钟的"快思考"模型，配上一条"两位独立法官一致同意才放行"的门，可以几乎不损失精度地砍掉前沿大语言模型 35-38% 的审查负载；但同一份实验也白纸黑字记着——这类快筛对最隐蔽的网络攻击，召回率只有 0.34。省下的每一秒都是真的，而那道盲区，是快筛永远付不清的账单。

⚖️ 三条老路，各有一本难念的经

传统的归因工具，一条一条看。

第一条，监督分类器：收集标注好的历史事件，训一个分类模型，以后见到新窗口直接出标签。问题有两个，且都是结构性的。其一，供水公司的标注网络攻击天然稀缺——多数水司运营几十年，真正确认过的网络事件一只手数得过来，拿十几个样本训模型，等于拿三张照片训练人脸识别。其二最致命：新攻击机制按定义就不存在于训练标签里。攻击者的工作就是发明你没见过的东西，而监督模型的本质是"记住见过的例子"，让它对付新机制，等于考卷发下来才发现题型全换了。

第二条，手写规则树：老专家把几十年经验写成 if-else——泵开着流量却是零？液位下降速率和入流表矛盾？规则透明、无需标签、决策可解释，是水务行业信得过的老伙计。但每出现一种新攻击机制，就得有人钻进规则库加分支、调阈值——规则树永远在追赶攻击者的想象力，维护成本还随管网复杂度水涨船高。

第三条，前沿大语言模型。LLM 很擅长推理文本化证据：检查报告、异常摘要喂进去，它像老侦探一样把线索串成因果链，准确率常常惊艳。但它的慢是物理级的：实测 glm-5.2 做一次归因要三十秒上下，deepseek-v4-pro 奔着四十多秒去——因为这类模型每次决定都要现场长篇推理，glm-5.2 每次生成约 2,300 到 2,900 个输出 token，deepseek-v4-pro 更夸张，5,600 到 8,600 个。等于每个病人进来，主治医生都要写满一页诊断笔记才下结论。而警报不排队：多报警期间一小时可能要分诊几十个窗口，前沿 LLM 一条请求流每小时只能审 80 到 120 个，服务负载一高还要打折。

于是 HydroJEV 的问题成型：让"快思考"当第一层分诊——一秒出类型化判断、零训练成本——只把疑难窗口交给慢而准的大模型，行不行？

🧠 Jev 是谁：一个不许犹豫的急诊护士

主角叫 Jev，作者叫它 "System One"，借自卡尼曼《思考，快与慢》的框架：系统一快、直觉、近乎反射；系统二慢、审慎、会推演。Jev 就是这个意义上的系统一：在固定选项集上直接输出概率分布，四类的置信度一次给完，没有任何可见的推理过程。代价是没有"让我想想"的能力，好处是快——中位 1.22 秒一次决定，且不需要任何训练。

零训练凭什么归因？这是论文第一个值得琢磨的设计：Jev 不靠"记住见过的例子"，靠"读类定义"。监督分类器 R2 的决策面从标注数据里拟合出来，学到的是"训练集里攻击长什么样"；Jev 拿到中性证据加四个类的文字定义，做的是"这份证据更像哪一类"的语义比对。同一个材料，一个靠记忆，一个靠理解——分布内看不出差别，考题一换皮，差距就是断崖。

Jev 也不是开箱即用。它的原始输出系统性偏向"物理故障"。解法是无标签先验校正：拿 40 个无标签开发窗口，统计 Jev 对各类的平均输出概率当"先验口味"，做除法校正。实测原始先验是（0.302, 0.429, 0.146, 0.121）——物理故障那格明显偏胖——校正后分布内表现从 0.41 提到 0.57。关键词是"无标签"：整个校正不需要任何人标注，只需要统计它自己的输出倾向。对标签比熊猫血还稀缺的水务行业，这不是锦上添花，是活路。

🔬 一场公平的比赛是怎么搭出来的

看结果之前，先看场地——这场实验的方法论本身就是亮点。

比赛建在 C-Town，BATADAL 项目的公共基准管网，EPANET 水力模拟：388 节点、429 管、7 罐、11 泵、4 阀、1 水库。每个分析窗口是 6 小时 SCADA 记录。事件子类型分四个家族：Reference（分布内，训练可见），和三个仅用于密封评估的"未见"家族 A、B、C。C 家族最刁钻，叫"相似外观家族"：泵跳闸是物理故障，但活像欺骗性停机；伪装值班交换是攻击，但模仿的是操作员正常轮换——专考模型会不会被皮相迷惑。

最关键的玩法叫密封预注册。每轮实验设计——问题怎么问、校准先验怎么定、分析代码、假设——在数据窗口生成之前就用加密哈希冻结封存，共六个密封轮次，四个用于主评估；主检验全部 Holm 校正（α=0.05）。为什么这么折腾？因为 ML 实验有种几乎人人都犯过的乐观偏差：在数据上调参调得眉开眼笑，报告的成绩其实是打自己熟悉的地形。预注册等于把靶纸提前钉死、封进信封，开枪后才准拆——设计时不知道考题长什么样，就没有"碰巧调到考点上"的空间。全部评估共用 1,279 个窗口。

公平性还体现在证据状态：所有方法看到完全相同的信息——六部分材料，含中性系统描述、控制配置、10 项一致性检查结果、10 个最大孪生残差（z 分数）、有符号摘要、源表平衡。"孪生"是拿同一 EPANET 模型、名义需求、重新同步到报告的罐液位（事件前 11 小时）再回放执行器状态跑出来的影子系统——给管网配了一个"若一切正常本该如此"的平行世界，两世界差值就是最硬的证据。自动 token 扫描确保无方法能偷看类名、子类型名、机制词、网络名——没有泄漏，没有开卷。

阵容：R1，六分支手写规则树，冻结于首次调用 Jev 之前，零训练；R2，多项逻辑回归，200 个标注 Reference 窗口训练；外加七个云端 LLM——deepseek-v4-pro、glm-5.2、gpt-oss:120b、gpt-oss:20b、gemma4、gemma4:31b、minimax-m2.7，全部相同状态、相同问题、温度 0、固定种子、JSON schema 输出。裁判指标是四类 macro-F1——四类各自算 F1 再平均，不让"正常瞬态"这种天然多数类刷分，每类一票。

📊 零训练的意外，和断崖的对岸

第一个结果就够让水务行业坐直：四个密封分布内测试集上，Jev 的 macro-F1 是 0.620、0.628、0.628、0.644，均值 0.63；专家工程化的规则树 R1 是 0.557、0.606、0.602、0.590，均值 0.59。单轮差异不显著，但 8 个密封集配对差异均值 +0.03——零训练、零规则工程、一秒出活的模型，追平乃至微超一棵专家逐条打磨的规则树。全新家族上两者打平（0.51 对 0.50）——快思考和规则树的天花板在同一层。

真正的高潮在未见子类型。把从没进过训练集的子类型单拎出来，R2 用"崩溃"形容都嫌客气：0.259、0.240、0.238、0.227——四分类随机瞎猜都有 0.25，这基本等于交白卷。Jev 比它高 +0.361、+0.387、+0.390、+0.417——全部 p<10⁻⁴，Holm 校正后全部存活。最大优势在第四轮——那轮数据在级联设计冻结之后才生成，连"针对评测调优"的嫌疑都被预注册焊死了。

机制前文埋过伏笔：线性决策面不延伸到新机制。R2 学的是"训练集里的攻击长什么样"，换张皮就不认；Jev 读同一份证据，但对的是类的定义而非记忆里的例子——"隐蔽操纵"四个字它从字面上就理解，于是伪装值班交换再难，语义定义够用时它依然能对上号。细分看，Jev 平均召回：爆管 0.75，需求上升 0.92，需求下降 0.86。

先别急着鼓掌，断崖另一面必须同时看：全新家族上优势戛然而止，全监督 R2 以 0.69 对 0.51 重新领跑。子类型再新，仍在同类机制之内，语义定义够用；整个家族都是新的，靠读定义吃饭的 Jev 就失去了锚点。作者交代得很诚实，这也是后文"门"的关键拼图。

第二个结果是标签经济学。R2 的训练标签砍到多少会输给 Jev？答案：每类 4 个——8 个密封集里 7 个的临界值 k* 是 4。更细的账：每类只给 1 个标签，96-97% 的抽样中 R2 低于 Jev；给 2 个，分布内仍有 64% 的抽样输，新家族上 82%。翻译到现实：每类 4 个标注事件，意味着一家水司真实经历过 4 次确认的网络攻击——超过多数水司家底总量。对行业绝大多数玩家，监督学习在这道题上根本不是"更贵的选项"，而是"不存在的选项"。

🐢 快与准的对照组：慢，是有原因的

第三个结果是大模型组亮相。准确率上前沿模型确实更强：glm-5.2 分布内 0.706 和 0.697，deepseek-v4-pro 0.722 和 0.637，Jev 只有 0.628 和 0.434；14 个 Holm 校正检验 4 个显著，全偏向 LLM。但注意：Jev 与 gemma4、gemma4:31b、minimax-m2.7 统计不可区分，分布内甚至与 gpt-oss:120b 打平——LLM 阵营内部同样参差，"大"不等于"准"。

真正的分水岭在计时器。Jev 中位 1.22 秒（区间 1.15-1.46），glm-5.2 是 30.6-31.7 秒，deepseek-v4-pro 39.3-46.4 秒——慢 20 到 40 倍。折算吞吐：Jev 一秒半一个窗口，每小时约筛 2,500 个；LLM 每小时 80 到 120 个，差近两个数量级。快思考不能在准确率上赢主治医生，但能把候诊区几十秒内清空一遍。

配方齐了：又快又免费但会漏人的护士，又慢又贵但认真的主治医生。怎么搭班？直觉方案脱口而出——护士说"没事"的直接放行，"有事"的交医生。论文真把它实现了，然后给你看它输得多惨。

🚪 那道门：两位法官一致同意，才准放人

先看直觉方案的尸体。未门控规则级联——Jev 判良性直接接受，其余交 R1——新鲜密封集上 -0.001 和 -0.035。最刺眼的数字藏在爆管里：50 个爆管窗口，Jev 把 13 个判成良性，爆管召回从 R1 独干的 0.78 掉到 0.52——超过四分之一的爆管被"快"放行，每一个都是凌晨正往地下渗水的几百吨水。

这是全篇最有教育意义的一张表：快可以，但快的结果必须有人复核；不复核的快不是效率，是赌博。

于是真正的核心设计登场：LLM 级联，术语叫 agreement gate（一致门）。规则一条：Jev 判良性、且 R1 也同意，两个独立来源一致说"没事"，窗口才被直接接受；任何一方摇头，升级给 LLM reviewer 终审（主审 glm-5.2，副审 deepseek-v4-pro）。逻辑不复杂——急诊分诊台的规矩：病人放不放行，不取决于一个护士的眼力，而取决于两个受过不同训练的护士同时看走眼。两者误诊模式不同——一个是语义直觉，一个是规则穷举——"同时错"的概率远小于"其中一个错"。

四组数字讲完这道门。第一组，负载：200 窗口评估集上，一致门解决了 69 个和 76 个，即 34.5% 和 38.0%，reviewer 只处理剩下 62-66%。第二组，时间：平均每决定耗时，glm-5.2 从 43.5 秒降到 30.6 秒，deepseek-v4-pro 从 48.0 秒降到 34.2 秒。第三组，精度：新鲜密封集上相对各自 reviewer 非劣效——glm-5.2 组分布内 +0.011（置信区间 [-0.011, 0.033]）、未见家族 +0.016（[0.003, 0.033]）；deepseek-v4-pro 组 +0.010（[-0.016, 0.035]）和 -0.009（[-0.038, 0.018]）。非劣效界限 δ=0.03，所有区间乖乖待在界内，p<10⁻⁴。砍掉 35-38% 的昂贵审查，macro-F1 无损失——"省下的钱有公式"的全部内容：不是模糊的效率感，是能写进预算表的 35-38%。

第四组是"拒收美学"：加上 R1 同意后，直接接受率从 0.45 降到 0.29，接受精度从 0.75 升到 0.83，每集被误放的物理故障从 8.4 个降到 1.9 个。门槛收紧，放错的人少——"两位法官"四个字的含金量。

迁移性也测了：第四轮的整个屏幕、校准和级联原封不动搬去两个陌生管网——Net3（92 节点、117 管、3 罐、2 水库、2 泵）和 Net1（9 节点、12 管、1 罐、1 水库、1 泵，小得像一段小区管网）——门控级联在全部 4 个迁移集上维持非劣效，Jev 再次跑赢迁移过去的监督模型。一套设计不挑城市，工程上值钱。

⚠️ 账单来了：快检的三个盲区

现在轮到系列核心命题：快，是有价格的。那 35-38% 的折扣是真的，但底牌藏在三个数字里。

第一张账单写在未见家族上。分布内接受精度从 0.75 升到 0.83，漂亮；换到未见家族，起点就低，还从 0.84 掉到 0.58。具体解剖：76 个被一致门放行的 E4c 窗口里，21 个其实是攻击——12 个伪装值班交换，9 个液位欺骗。回看 C 家族的定义就明白：这些攻击天生长得像正常操作，两个法官对着同样的皮相证据，被同一个幻象同时骗过。一致性校验的是"两个法官意见是否一致"，不是"世界是否真的没事"——两个医生可以在同一张 X 光片前犯下同一个错误。

第二张账单最大：隐蔽操纵的召回率，Jev 0.34，R1 0.32——三个备选里只有吃足标注的 R2 在这个类上到 0.87。每 100 个隐蔽攻击窗口丢给 Jev，66 个混过关口，其中一部分恰好 R1 也看走眼，被一致门双双放行。这不是不够努力，是能力本身的定价：一秒的判断没时间去拆伪装，"隐蔽"按定义就是给快思考准备的陷阱。论文的态度也因此明确——良性快筛服务的恰恰是这道盲区：屏幕的任务是干净解决良性窗口、把疑似攻击统统上交，让慢而贵的 reviewer 把有限注意力全留给最难的类。快筛的正确用法不是代替终审，是把终审从垃圾邮件里解放出来。

第三张账单在 Net1。小管网的爆管水力签名和正常需求变化几乎重叠，Jev 和前沿 reviewer 都很少识别——而一致门在这里做了一件对的事：统统上交审查。门没有解决问题，但拒绝假装问题不存在。这种"拒绝自信"的默认姿态，比 35-38% 更值钱。

🧾 运营经济学：1.4 秒、2,500 个，和三分之一的折扣

把镜头拉回账本，价值就从统计术语变成真金白银。

SCADA 窗口每小时持续到达，事故期间一小时堆出几十个；前沿 LLM 一小时审 80-120 个，高峰期还缩水——警报排队意味着风险排队。Jev 约 1.4 秒一个决定，一小时筛约 2,500 个，差近二十倍。装上门的流水线：海量窗口先过 Jev 秒级分诊，良性判决由规则树交叉确认，双绿灯的直接归档——约三分之一的窗口从头到尾不消耗一个昂贵的 LLM token；疑难窗口才排进 reviewer 终审队列，平均等待从 43.5 秒压到 30.6 秒。

这就是城市供水安全的"合法降本"公式：每 100 个警报，35 到 38 个可被一套透明规则免审放行，精度不损失一分钱。对预算永远紧张、专家永远稀缺的水务行业，这不是优化，是雪中送炭。

局限也摊在桌面上，一条没藏：全部窗口是模拟数据——水力模型同时生成事件和孪生，现场真数据会带进模型误差；云端 LLM 权重和服务条件可能无通知变化，今天的 reviewer 未必是明天的；良性门在原理上接受"Jev 和 R1 同时看走眼的攻击"，部署可收紧（如额外要求 Jev 攻击类概率足够低）加物理联锁兜底；隐蔽操纵依旧最难，整个实验里天花板没松动；Net1 上未门控级联在设计集 +0.047 的美好幻觉，新鲜集原地蒸发——作者反复强调，不主张 Jev 改进了规则树，只主张门控组合改进了流水线。这种克制，和预注册协议是同一种品格。

🔚 尾声：快是有价格的，问题是谁在买单

回头看凌晨两点的调度中心。警报再响，故事已经不一样：一秒的护士先扫一眼，规则树的第二双眼睛交叉确认，都点头就归档；任何一个摇头，升级给会写两三千字推理的终审医生。账本清晰可算——35 到 38% 的窗口不再消耗昂贵审查，精度分毫未损；而每个省下的 token 背后站着两道警戒线：未见家族里那 21 个蒙混过关的攻击，和隐蔽操纵 66% 的漏网率。

这就是「能力的代价」第二篇的全貌。快思考不是免费午餐，是一张有明确折扣率、也有明确免责条款的合约：折扣是 35-38% 的审查负载，免责条款是"两位独立法官一致同意"这道门，以及永远写不进损益表的盲区——隐蔽攻击召回 0.34，是这套系统每天照常运转的前提性成本。论文最了不起的不是证明 Jev 多快多好，而是把快与慢各自的价目表都列出来，然后诚实告诉你：买单的从来不是模型，是使用规则的人。

明天同一时间，「能力的代价」第三篇——当终检说"通过"，92.6% 的时候它在说谎。我们看看 IBM 在企业 agent 身上发现了什么。

参考文献

• Mu, T., Jiang, S., Yuan, M., Luo, Q., Xiao, M., Wang, W., Li, J., & Huang, M. HydroJEV: One-Second Training-Free Triage for Water Distribution Network Alerts. arXiv:2610.02048 (cs.AI, 2026-10-01). https://arxiv.org/abs/2610.02048
• 代码：https://github.com/mutianwei521/hydrojev
• 机构：沈阳建筑大学市政与环境工程学院、广州工业智能研究院、中科院沈阳自动化所、沈阳大学、东华大学