AIQR 识别字符串规范 v1.1

AIQR Identifier String — Normative Specification

状态：v1.1。字符集、格式与校验算法为稳定接口，v1.x 内不作破坏性变更。

v1.1 变更（2026-07-27）

v1.0 的字符集是靠排版学分簇挑的，从未在真实 OCR 上验过。现已实测 （docs/ocr-measurement.md，2,900+ 次识别），结果改动如下：

线格式（字符集、长度、校验算法）未变；v1.0 生成的标识符在 v1.1 下完全有效。 变的只有解析器的严格度：v1.0 解析器会接受 v1.1 拒绝的三擦除输入。 许可：CC0。任何人可自由实现，无需授权、无需注册、无需接入任何服务。

本文档中的 MUST / MUST NOT / SHOULD / SHOULD NOT / MAY 按 RFC 2119 解释。

本规范只定义印在标签上、给人和 OCR 同时读的那串字符。 二维码本体、字幕版式、Manifest 与发现机制见 aiqr-v0.2.md。

1. 目标

一个印在物理标签上的标识符，同时满足：

1. 人能念、能抄、能在电话里报
2. OCR 与视觉模型能读，且在翻拍、模糊、压缩、污损条件下仍能读
3. 读错时必须能被发现，而不是安静地解析到另一个真实存在的实体

第 3 条是硬约束。当扫码的一端是能执行动作的 Agent 时，"读错一位、解析到另一台设备" 不是显示错误，是执行到错误的物理对象上。因此本规范宁可拒绝，绝不猜测。

三条防线，按承担的工作量排列：

2. 字符集

0 2 3 5 6 8 9 A C E H J M P T X Y        (17 个符号)

符号 MUST 为大写。符号在 GF(17) 中的值等于它在上串中的下标（0=0 … Y=16）。

2.1 构造依据

从 36 个字母数字出发，按视觉混淆簇分组，每簇只保留一个成员：

1 I L 簇刻意不保留任何成员。这一簇没有安全的幸存者：在多数无衬线字体下三者几乎不可分辨， 留任何一个都会把误读引入字符集内部——那是校验也救不回来的错误类型。宁可牺牲一个符号位。

2.2 为什么是 17

17 是质数，因此 GF(17) 的运算就是普通的 % 17，不需要多项式表或对数表。 一个符合规范的实现在任何语言里都是几十行。对一个要求"大家都遵循"的标准， 可实现性的价值高于每字符多榨出的零点几个比特。

（对比：Crockford Base32 是为人手打字优化的，它保留了 0/D/Q、5/S、2/Z、 8/B、6/G —— 这些在打字时不混，在 OCR 时混。它不适合本用途。）

3. 格式

3.1 规范形式

AIQR:XXXX-XXXX-XXXX-XXXX

• 哨兵 MUST 为字面量 AIQR:
• 标识符 MUST 为 16 个符号：13 个数据符 + 3 个校验符
• 校验符 MUST 位于末尾（下标 13、14、15）
• 分组 MUST 为 4 个一组，以 - 连接

示例（真实值，由 §9 的派生算法产生）：

AIQR:0ATA-XJH3-YXYC-PCC5
AIQR:5PYA-M8YM-E82Y-635M

3.2 哨兵

AIQR: 是给机器的信号，不是给人的说明。它的作用是让视觉模型在一张杂乱的照片里 确定这里存在一个可解析的标识符，从而触发解析流程，而不必靠猜。

哨兵同时承载版本：本规范定义的一切属于 AIQR:。未来的破坏性版本 MUST 使用新哨兵 （如 AIQR2:），MUST NOT 复用 AIQR: 表示不兼容的格式。

标识符脱离标签被引用时（口头、工单、数据库），SHOULD 连哨兵一起引用。

3.3 容量

13 个数据符 × log₂17 = 53.1 比特，即 17¹³ ≈ 9.90 × 10¹⁵ 个标识符。

碰撞风险（生日界，实测计算）：

4. 校验

4.1 定义

设 v[0..15] 为 16 个符号值。三个校验式 MUST 全部成立：

S_j = Σ (i+1)^j · v[i]  ≡  0  (mod 17)      j = 0, 1, 2

编码时，数据符给定，解 3×3 线性方程组得到三个校验符。系数矩阵是节点为 (i+1) 的 范德蒙矩阵；因为字长 16 < 17，各节点在 mod 17 下互不相同，方程组恒有唯一解。

4.2 为什么是 3 个而不是 2 个

2 个校验符足以定位单字符错误，但定位之后就没有余量去判断损伤是否其实更严重。 在本字符集上实测：2 个校验符会把 68.2% 的双字符错误"修"成另一个合法标识符—— 对一个解析到物理设备的标签，这意味着自信地打开错误的产品。

第 3 个校验符买到的是一个一致性判据。单个错误（位置 p，偏移 e）必然满足：

S0 = e ,  S1 = (p+1)e ,  S2 = (p+1)²e     ⟹     S1² ≡ S0·S2

而两个错误（位置 p≠q，偏移 e₁,e₂ ≠ 0）代入后：

S1² − S0·S2  =  −e₁e₂(p−q)²

因为 e₁,e₂ ≢ 0 且 0 < |p−q| < 17，该值在 mod 17 下恒不为零。 所以 双字符错误 100% 必然被检出，这是代数保证，不是概率。 （穷举验证 184,320 例，拒绝率 100.0000%。）

5. 规范化与折叠

解析器在校验前 MUST 依次执行：

1. 大小写 —— 全部转为大写。
2. 分隔符 —— 忽略 -、空格、_、.、·、U+2010–U+2015（各种连字符/破折号）。 OCR 会把 - 读成 —、读成空格、或整个丢掉，三种都 MUST 接受。
3. 哨兵 —— AIQR 后允许半角 : 或全角 ：，前后允许空白。
4. 折叠 —— 按下表把集外字符映射为集内字符：

O → 0    D → 0    Q → 0
G → 6    S → 5    Z → 2    B → 8
U → Y    V → Y    N → M    W → M
F → E    R → P    K → X    4 → A    7 → T

折叠 MUST 在校验之前完成，因此不消耗校验预算——被折叠的字符与正确字符等价。

5. 擦除（Erasure） —— 既不在字符集、也不在折叠表中的字符（典型如 1、I、L， 以及任何无法辨认的墨点），MUST 标记为擦除：位置已知、值未知。

5.5 擦除上限（规范性）

解析器 MUST NOT 尝试求解超过 2 个擦除，即使字长允许。

解 k 个擦除消耗 k 个校验式，剩下 3−k 个用于验证结果。k=3 时没有任何校验式剩下， 求解在数学上必然成功——无论其余 13 个字符是否也被读错。那不是修复，是伪造。

实测：允许 3 擦除时，1,200 次端到端识别产生 7 例解析到错误标识符；上限降到 2 后归零， 正确率仅从 74.7% 降至 74.1%。见 docs/ocr-measurement.md §3。

折叠与擦除的分工，实测结论与直觉相反：折叠的价值不在于折得对，而在于把字符挡在 擦除计数之外。折错只变成一个替换错误，而单个替换错误 100% 可修复；三个擦除完全不可修复。 但把 1 I L 也折叠、让擦除永不发生，会让任意 16 字符垃圾串只靠校验把关， 约 5% 蒙混过关——实测重新产生 3 例误解析。1 I L 不可折叠正是挡住这笔交易的护栏。

6. 解析结果

解析器 MUST 返回以下四种状态之一：

7. 一致性要求

7.1 生成器

• MUST 只输出 §2 字符集内的符号
• MUST 输出 §3.1 的规范形式，含哨兵与分组
• MUST NOT 输出未通过 §4 校验的标识符

7.2 解析器

• MUST 接受 §11 的全部测试向量并给出标注的状态与结果
• MUST 实现 §5 的全部规范化步骤
• MUST 区分 repaired 与 valid 并把区别暴露给调用方
• MUST NOT 在损伤超出能力时返回猜测值

7.3 修复结果不得静默使用（规范性）

repaired 状态的标识符 MUST NOT 被静默解析并用于后续动作。

Agent MUST 满足以下之一：

• 向用户展示修复内容（原读数 → 修复值）并取得确认；或
• 通过独立通道交叉确认——最常见的是同一标签第 2 行的 URL，或解析到的 Manifest 中的 id 字段与之一致

理由：修复是基于"损伤不超过设计预算"这一假设的推断。假设不成立时（例如三处替换）， 修复可能产生一个合法但错误的标识符。校验能保证双错必被拒，但不覆盖更严重的损伤。 在物理世界里，标签被恶意替换、涂改、部分覆盖都是现实场景，见 aiqr-v0.2.md §8。

7.4 约束 OCR 的字符集（规范性）

解析器 SHOULD 在识别阶段就把 OCR 引擎限制到 §2 的 17 个符号。

• Tesseract 系：设 tessedit_char_whitelist 为字符集加 -
• 视觉模型：在提示词中给出字符集，并说明输出只能来自其中
• 自研引擎：在解码阶段剪掉集外类别

这是零成本的，而且实测收益比任何字符集调优都大：同一批 1,200 次识别，只改白名单， 误解析从 7 例降到 0 例（正确率 74.7% → 66.3%，降的部分全部变成"拒绝"而非"错误"）。

机制是引擎输不出集外字符，因而不产生擦除，三个校验式全部留作验证。

8. 保证与限制

本节分两层：8.1–8.2 是符号层的数学性质（由 scripts/test-id.mjs 穷举产出）；8.3 是光学层的端到端表现（由 scripts/ocr-confusion.mjs 在真实 OCR 上测得）。两层不可互相外推。本节不写未经测量的断言。

8.1 保证（符号层，穷举）

8.2 限制（同样是规范的一部分）

1. 3 个及以上不可读字符：拒绝。 不是能力不足，是刻意的——见 §5.5。
2. 3 个及以上替换错误：不保证。 超出设计预算。一致性判据可能被偶然满足， 产生一个合法但错误的标识符。这正是 §7.3 强制二次确认的原因。
3. 错误 + 擦除混合：不支持。 存在擦除时，本规范只按纯擦除处理；若同时存在 位置未知的替换错误，解析 MUST 落到 unrepairable，MUST NOT 尝试联合求解。
4. 碰撞不是零。 见 §3.3。标识符不是全局主键——全局身份由标签第 2 行的 URL 承载，DNS 已经保证其唯一性。标识符的职责是：标记这是 AIQR、在 URL 污损时提供冗余路径、 让误读可被发现。仅凭标识符解析 MAY 产生歧义，MUST 与解析到的 Manifest 交叉确认。

8.3 端到端表现（光学层，真实 OCR）

Tesseract，4 种字体 × 12 档劣化（最狠一档 0.18 倍缩放 + 模糊 + JPEG q20 + 旋转）， 1,200 次整串识别走完整解析器：

视觉模型臂（盲测，Claude Opus 5，8 档劣化，n=8）：8/8 逐字符全对。

必须一起读的限定：单引擎、合成劣化、每字符 48 次样本、视觉臂 n=8 且评分者即作者。 完整方法、被推翻的推理、以及这次测量不能证明什么，见 docs/ocr-measurement.md。

9. 派生

标识符 SHOULD 由 Manifest URL 确定性派生：

canonical = lowercase(trim(url)) 去掉尾部所有 '/'
digest    = SHA-256(canonical)
n         = digest 的前 128 位，按大端解释为整数
数据符    = n 在 17 进制下的低 13 位（高位在前）
校验符    = 按 §4.1 求解

同一 URL 恒得同一标识符。无需分配服务器，无需注册表，无需任何协调。

128 位归约到 17¹³（约 53 位）产生的模偏差量级为 10⁻⁷，可忽略。

实现 MAY 改用注册表分配而非派生；两种方式产生的标识符在格式与校验上无区别。

10. 版式建议（非规范性）

标识符印在标签上时：

• SHOULD 使用等宽字体。等宽让 OCR 的字符切分不依赖字距估计。
• SHOULD 保留 §3.1 的 - 分组。分组给 OCR 提供锚点，也让人念得出来。
• SHOULD NOT 使用点阵/LED 风格字体渲染中文摘要（画不出汉字）； 用于本标识符行 MAY 可行——该行按定义全是 ASCII。实测见 docs/decisive-test.md。
• MUST NOT 截断。被截断的标识符不可恢复，且 OCR 不会提示它被截断过。 文本过长时 MUST 缩小字号而非省略。

11. 测试向量

完整机读版本：spec/test-vectors.json。 符合规范的解析器 MUST 对全部向量给出标注的状态与结果。

12. 未决问题

1. C 应当被移除。 v1.1 的实测给出了明确信号：C 在字符集内正确率最低（52%）， 且与 4、9、3、G 都混。字符集内部还残留 C/9 C/3 J/3 P/3 T/Y X/3 Y/2 七对混淆——§2.1 的排版学分簇漏掉了它们。 未在 v1.1 动手的原因：移除 C 会让字符集变成 16（非质数），必须补一个符号， 而补哪个不能再靠猜。每字符 48 次的样本量只够观测 2% 量级的事件，不足以支撑重新推导。 前置条件是把样本量提到每字符 ≥500 次。
2. 折叠表 12 条零观测。 3 条被数据否定（4→A 实为 4←C、G→6 实为 G←C、 S→5 实为 S←3），12 条既未证实也未否定。之所以保留，是因为实测显示条目的 存在比正确更重要（见 §5.5 注）；但这不等于它们是对的。
3. 合成劣化 ≠ 真实印刷。 尚未测：真实纸张、反光、曲面（贴在圆柱形机身上）、 低光、远距离、部分遮挡。这些是工业现场的常态。
4. 17 是否最优。 19 或 23 个符号能提高密度，13 个能提高安全余量。当前取值是权衡判断， 不是优化结果。等 (1) 的数据到位后应重算。
5. 更短的档位。 16 符对小型标签（药品、元件）可能偏长。可以定义一个共用字符集与校验 算法、但数据符更少的短档；代价是容量与碰撞风险。在有真实需求前不定义。
6. 签名。 标识符本身不携带真实性证明。防标签替换最终需要来源签名，属 Manifest 层， 见 aiqr-v0.2.md §10。
7. 英文版。 公开发布前 MUST 提供 aiqr-id-v1.1.en.md。

附录 · 参考实现

src/aiqr-id.mjs（CC0，零依赖）

node bin/aiqr.mjs id https://aiqr.cc/m/7F92A          # 派生
node bin/aiqr.mjs id --verify "0ATA-XJH3-YXYC-PCC5"   # 校验 / 修复
node scripts/test-id.mjs                              # 产出 §8.1 全部数字
node scripts/ocr-confusion.mjs                        # 产出 §8.3 光学层数字