Dari @Generable hingga SwiftData: saluran kualitas penawaran di perangkat

Kendalanya bukanlah “membuat model menulis kutipan”

Satu prompt dapat menghasilkan sebuah kalimat. Itu tidak dapat menentukan apakah model sistem sudah siap, menjaga antarmuka tetap responsif, membedakan baris yang dihasilkan dari kutipan historis, mencegah hampir duplikat memasuki perpustakaan, atau membiarkan produk berguna ketika inferensi gagal. Keputusan-keputusan di sekitarnya adalah fiturnya.

RiseHush tidak memiliki backend inferensi. Pada perangkat Apple Intelligence yang didukung, aplikasi mengirimkan perintah terbatas ke model bahasa sistem pada perangkat Apple dan menyimpan hasil yang diterima di SwiftData lokal. Halaman intelijen produk menjelaskan apa yang dilihat seseorang; artikel ini mendokumentasikan jalur implementasi dan batasannya. API ketersediaan milik Apple tetap menjadi otoritas apakah model tersebut dapat berjalan sekarang.

“Dapat direproduksi” di sini berarti teknisi lain dapat mengulangi matriks kesiapan, perlengkapan penolakan, jalur batas waktu, dan pemeriksaan persistensi. Ini tidak berarti model bahasa nondeterministik akan mengembalikan prosa yang sama sedikit demi sedikit. Halaman ini melaporkan arsitektur sumber yang diperiksa, bukan metrik kualitas perangkat fisik yang baru; tidak ada hasil benchmark yang disimpulkan dari skrip pengujian.

• Inferensi:Model bahasa sistem Apple, di perangkat.
• Kontrak keluaran:Tipe Swift terpandu, lalu validasi deterministik.
• Penyimpanan: Baris SwiftData lokalditandai sebagai dihasilkan.
• Jalur jaringan:Tidak ada server generasi RiseHush atau model pihak ketiga.

[1][2]

Dari prompt ke perpustakaan: jalur produksi

Ini adalah arsitektur di balik generator kutipan pada perangkat RiseHush seperti yang diperiksa di sumber aplikasi saat ini. Ini mendokumentasikan gerbang, jalur kegagalan, dan pemeriksaan yang dapat direproduksi oleh pengembang; ini bukan sebuah model patokan atau klaim bahwa setiap draf itu baik.

Pemesanannya disengaja. Pemeriksaan yang murah dan dapat dijelaskan dilakukan sebelum inferensi lebih lanjut; tidak ada penulisan yang terjadi sampai setiap gerbang yang diperlukan telah menerima kandidat. Jawaban yang dialirkan adalah teks antarmuka sementara, bukan kutipan yang disimpan.

1. 01

   Buktikan kesiapan

   Layanan ini memeriksa ketersediaan model sistem dan lokal yang diminta sebelum membuat sesi. Kelayakan perangkat, status Intelijen Apple, kesiapan aset model, dan dukungan bahasa merupakan hasil yang berbeda.

2. 02

   Batasi drafnya

   Tipe @Generable Swift meminta satu kalimat asli, biasanya 10–16 kata dan tidak lebih dari 18 kata, tanpa atribusi, penurunan harga, hashtag, emoji, atau tanda kutip di sekelilingnya.

3. 03

   Streaming aktor utama

   LanguageModelSession baru telah disiapkan untuk permintaan tersebut. Snapshot terstruktur parsial dapat memperbarui antarmuka sementara loop Foundation Models tetap berada di luar aktor utama.

4. 04

   Tolak kegagalan yang nyata

   Sebelum penilaian berbasis model, gerbang deterministik memeriksa batasan kalimat dan kata, kesesuaian bahasa, fragmen yang dilarang, tanda baca pembungkus, dan pola klise multibahasa.

5. 05

   Uji kebaruan dan kualitas

   Jika penyematan perbandingan tersedia, penyintas akan menghadapi pemeriksaan hampir duplikat semantik, kemudian juri terpandu dan skor kekhasan yang terpisah. Draf yang dialirkan dan tidak mencapai ambang batas yang disyaratkan akan dibuang, bukan disimpan secara diam-diam.

6. 06

   Pertahankan yang selamat

   Metadata dihitung jauh dari aktor utama. Penyisipan SwiftData kembali ke aktor utama, memberi label pada baris sebagai dihasilkan dan bukan domain publik, dan mengembalikan penyisipan sementara jika penyimpanan gagal.

7. 07

   Gunakan kembali negara bagian setempat

   Permukaan aplikasi dan sistem menggunakan kuotasi yang disimpan. Widget membaca data yang ada; mereka tidak membangunkan model bahasa di dalam garis waktu ekstensi.

[2][3][4][5]

Keluaran yang dipandu bentuknya menyempit; kode masih memiliki kebijakan

Drafnya adalah tipe Swift bertanda@Generable. Panduannya meminta satu kalimat asli, biasanya 10–16 kata dengan maksimal 18 kata, dan melarang atribusi, membungkus tanda kutip, hashtag, emoji, penurunan harga, dan jeda baris. Opsi produksi menggunakan suhu 0,7 dan batas atas 40 token: cukup ruang untuk pembungkus terstruktur dan kalimat pendek, tanpa mengundang keluaran sepanjang paragraf.

Ini tidak menjadikan validasi opsional. Apple menggambarkan pembuatan terpandu sebagai cara untuk menghasilkan data Swift terstruktur, bukan jaminan bahwa konten memenuhi setiap aturan produk. Oleh karena itu, RiseHush memperlakukan nilai yang diketik model sebagai draf yang tidak tepercaya. Sketsa ringkasan di bawah ini mempertahankan urutan dan ambang batas produksi sambil menghilangkan detail prompt dan persistensi khusus aplikasi.

@Generable
private struct GeneratedQuoteDraft {
    @Guide(description: "One original sentence; 10–16 words; no attribution")
    var text: String
}

guard availability(locale: locale) == .available else {
    throw GenerationError.unavailable
}

let stream = session.streamResponse(
    to: prompt,
    generating: GeneratedQuoteDraft.self,
    options: generationOptions
)

for try await snapshot in stream {
    yield(snapshot.content.text)          // interface update
}

guard deterministicGate.passes(text, locale: locale),
      await noveltyGate.isNearDuplicate(text) == false,
      await judge.score(text).overall >= 6,
      distinctiveness.score(text).overall >= 5
else {
    throw GenerationError.noCandidate
}

return try persistAsGeneratedQuote(text)

[4][5]

Mengapa pass kedua masih belum cukup

Lapisan penolakan pertama bersifat deterministik: keluaran kosong, sisa perintah yang dilarang, tanda kutip pembungkus, batasan kata dan kalimat, ketidaksepakatan bahasa, dan perlengkapan klise multibahasa. Filter rasa Core ML lokal dapat menambahkan sinyal yang dipelajari untuk bahasa Inggris, Jerman, Spanyol, Prancis, Italia, dan Portugis; ini sengaja dilewati daripada salah diterapkan di luar lokasi yang dikalibrasi tersebut.

Selanjutnya, ketika penyematan perbandingan tersedia, gerbang kebaruan semantik membandingkan kandidat dengan katalog lokal yang dibatasi dan menolak duplikat yang hampir sama pada ambang kesamaan kosinus 0,90. Jika katalog kosong atau penyematan tidak dapat dilakukan, lapisan tersebut akan lolos dan tidak mengklaim bahwa hal baru telah terbukti. Sesi Model Fondasi yang baru kemudian menilai kualitas, orisinalitas, dan kehangatan secara keseluruhan. Hakim tersebut merupakan sesi terpisah yang menggunakan model sistem yang sama—bukan model independen dan bukan tinjauan manusia. Jika tidak tersedia, ditolak, atau tidak dapat menghasilkan keluaran terstruktur, skor deterministik memberikan kemunduran yang terbatas.

Terakhir, skor kekhususan memberi penghargaan pada citra, tindakan, kekhususan emosional, dan keagenan yang konkrit, serta memberikan hukuman pada formula dan jangkar negatif terkini. Penerimaan saat ini memerlukan skor juri minimal 6 dan kekhasan minimal 5. Ini adalah ambang batas produk, bukan bukti orisinalitas atau keamanan global.

[7]

Jauhkan model dari aktor utama

Layanan publik mengembalikan objek model SwiftData, sehingga titik masuknya tetap terikat pada aktor utama. Loop respons Foundation Models yang mahal tidak. Setiap permintaan memilikiLanguageModelSessionbaru; streaming dan komputasi metadata berjalan jauh dari aktor utama, dengan lompatan eksplisit kecil untuk sinyal cepat dan persistensi yang terikat aktor.

Streaming menghasilkan cuplikan terstruktur parsial untuk antarmuka, lalu menyerahkan teks akhir melalui gerbang, kebaruan, juri, dan bilah kekhasan yang sama dengan jalur kumpulan. Aliran yang telah selesai melintasi aktor dengan pengidentifikasi persisten, bukan memindahkan model SwiftData yang tidak Dapat Dikirim. Penelepon menyelesaikan pengidentifikasi itu pada aktornya sendiri.

Hanya teks yang diterima yang disisipkan. Catatan dibuat sebagai RiseHush, ditandaisource = .generateddanisPublicDomain = false, ditandai dengan lokalnya, dan diperkaya dengan metadata yang dihitung secara lokal. Jika penyimpanan gagal, sisipan sementara akan dihapus sebelum kesalahan kembali.

[5][10]

Hubungkan petugas dengan tiga alat baca-saja

Ask RiseHush tidak diperbolehkan membuat status perpustakaan seseorang. API pemanggil alat Apple memungkinkan permintaan sesi mempersempit fungsi aplikasi dan menggabungkan data yang dikembalikan. Aplikasi ini memperlihatkan tiga alat yang dibatasi dan hanya dapat dibaca; tidak ada yang mencapai server RiseHush.

Argumen alat dan ukuran keluaran dibatasi. Pencarian kutipan tersimpan menghasilkan paling banyak delapan hasil, pencarian katalog paling banyak lima, dan total keluaran alat dibatasi. Alat tanda kutip tersimpan dapat menampilkan item terbaru yang cocok, namun tidak menerima rentang kalender—jadi produk tidak boleh menjanjikan bahwa model dapat menjawab “apa yang saya simpan minggu lalu?”

• Pencarian kutipan katalog

  Mencari katalog kutipan yang dibundel berdasarkan suasana hati, kategori, atau tema. Ia tidak meminta model untuk menemukan sumbernya.

• Pencarian kutipan tersimpan

  Mencari kutipan favorit dan simpanan orang tersebut di penyimpanan lokal.

• Status garis

  Membaca rangkaian inspirasi lokal sehingga Ask RiseHush dapat menjawab pertanyaan pribadi terbatas.

[6]

Perilaku kegagalan adalah bagian dari arsitektur

Ketersediaan bukan Boolean. Perangkat yang kompatibel mungkin masih menonaktifkan Apple Intelligence, menyiapkan aset model, atau bahasa yang tidak didukung model sistem. Pembuatan waktu proses juga dapat menolak, mencapai pagar pembatas, melampaui konteks, dibatasi, menghadapi permintaan bersamaan, gagal dalam penguraian terstruktur, atau waktu habis.

RiseHush memetakan kasus-kasus tersebut ke perilaku produk yang terbatas. Pembuatan latar depan memiliki anggaran 45 detik, Siri 20 detik, dan pembuatan kumpulan latar belakang 120 detik. Perpustakaan yang dikurasi tetap menjadi pilihan terbaik; aplikasi tidak pernah menyimpan prosa placeholder seolah-olah suatu model berhasil.

[2][3][7]

Protokol yang dapat direproduksi, tanpa hasil yang ditemukan

Protokol di bawah memisahkan pemeriksaan sumber dari bukti perangkat langsung. Catat perangkat keras, versi OS, lokal, status Apple Intelligence, kesiapan model, perlengkapan cepat, waktu yang berlalu, cabang terminal, alasan penolakan, dan hasil persistensi untuk setiap proses. Instrumen Model Dasar Apple dapat mengekspos perilaku prompt, alat, token, dan latensi selama sesi nyata.

Versi yang dapat dibaca mesin tersedia sebagai protokol evaluasiFoundation Models (JSON). Ini berisi matriks dan kontrak lapangan, bukan pengukuran buatan. Ketika pengoperasian perangkat fisik saat ini disetujui, tambahkan baris anonimnya dan publikasikan nilai penerimaan agregat, batas waktu, dan latensi dengan perangkat dan OS yang tepat.

1. Gunakan perangkat keras yang kompatibel dengan OS yang didukung. Uji Apple Intelligence diaktifkan dan siap, dinonaktifkan, dan masih diunduh.
2. Ulangi dengan lokal yang didukung dan lokal yang tidak didukung; verifikasi bahwa aplikasi membedakan dukungan model dari kelayakan perangkat umum.
3. Setelah aset model siap, ulangi dalam Mode Pesawat dan konfirmasikan bahwa tidak diperlukan titik akhir pembuatan RiseHush.
4. Amati sebagian teks saat berinteraksi dengan antarmuka; konfirmasikan bahwa pengguliran dan kontrol tetap responsif selama pergantian model.
5. Perlengkapan feed yang kosong, multi-kalimat, terlalu panjang, diapit tanda kutip, dalam bahasa yang salah, klise, atau hampir duplikat; tidak ada yang harus menjadi baris yang dihasilkan dan disimpan.
6. Memicu penolakan juri dan batas waktu yang terbatas; konfirmasikan bahwa tidak ada draf yang ditolak dan pengalaman yang dikurasi tetap tersedia.
7. Memaksa kegagalan penyimpanan lokal di penyimpanan pengujian; konfirmasikan bahwa model yang dimasukkan telah dibatalkan.
8. Gunakan Siri dengan anggaran waktu yang lebih singkat dan verifikasi bahwa widget hanya membaca data yang ada, bukan memulai pembuatan ekstensi.

[8]

Apa yang tidak dibuktikan oleh arsitektur ini

Saluran pipa yang berkualitas dapat membuat kegagalan terlihat dan mengurangi persistensi yang buruk. Ia tidak dapat mengubah model bahasa kecil di perangkat menjadi sumber sejarah, membuktikan bahwa sebuah kalimat tidak pernah ditulis di mana pun, atau menjamin rasanya. Oleh karena itu, baris yang dihasilkan tidak pernah dikaitkan dengan penulis sejarah dan tidak pernah dimasukkan ke dalam katalog domain publik.

Terjemahan layak mendapat peringatan terpisah. Untuk lokal yang tidak didukung langsung oleh Model Fondasi, jalur opsional sepenuhnya memasukkan draf bahasa Inggris dan kemudian menggunakan kerangka Terjemahan pada perangkat Apple jika pasangan tersedia. Hasil terjemahan diperiksa untuk melihat respons yang tidak kosong dan dipertahankan dengan metadata baru, namun saat ini tidak mengulangi seluruh gerbang bahasa target, kebaruan, dan urutan penilaian setelah terjemahan. Jalur tersebut merupakan kemunduran, bukan bukti kualitas generasi langsung yang setara.

Pembaruan model dan OS dapat mengubah ketersediaan, latensi, perilaku penolakan, dan distribusi output. Apple merekomendasikan untuk meninjau kembali petunjuk dan evaluasi seiring perubahan Model Fondasi. Oleh karena itu, matriks pengujian RiseHush harus dijalankan kembali setelah pembaruan platform material daripada memperlakukan halaman ini sebagai bukti tolok ukur permanen.

• Model sistem tidak digunakan sebagai sumber fakta kutipan sejarah atau atribusi penulis.
• Output terstruktur dan model kedua mengurangi mode kegagalan; hal-hal tersebut tidak membuktikan bahwa suatu garis itu mendalam, asli dalam pengertian global, atau cocok untuk semua orang.
• Lapisan kebaruan semantik melewatinya ketika katalog yang dibatasinya kosong atau penyematan perbandingan tidak tersedia; ini mengurangi duplikat yang diketahui tetapi tidak mensertifikasi orisinalitas global.
• Pembuatan offline bergantung pada perangkat keras yang kompatibel, Apple Intelligence yang diaktifkan, perilaku bahasa yang didukung, dan aset model yang sudah siap.
• Filter rasa Core ML opsional yang dipelajari dikalibrasi untuk bahasa Inggris, Jerman, Spanyol, Prancis, Italia, dan Portugis; daerah lain masih menerima lapisan deterministik dan berbasis model yang mendukungnya.
• Penggantian yang diterjemahkan secara lokal tidak setara dengan pembuatan bahasa target langsung: hasil terjemahan saat ini tidak mengulangi setiap lapisan kualitas setelah terjemahan.
• Pembaruan OS dan model dapat mengubah latensi dan distribusi output, sehingga matriks perangkat harus dijalankan ulang setelah perubahan platform material.
• Halaman ini menjelaskan arsitektur saat ini, bukan janji bahwa setiap permukaan platform menjalankan Model Fondasi. Widget sengaja menggunakan hasil yang bertahan.

[3][9][11]