- 论文链接：https://arxiv.org/abs/2608.12895
- 代码仓库：https://github.com/qualixar/agentassert-abc（AGPL-3.0，含合约、任务生成器、评分代码、分析脚本与预注册文档）
- 发表时间：2026年8月（arXiv:2608.12895v1，2026-08-13提交）
- 机构：Qualixar / 独立研究者（印度）
- 领域标签：多智能体系统、AI安全、统计推断、可靠性工程
一、论文背景
1.1 多智能体系统的可靠性是怎么算出来的
当人们把多个 AI Agent 串成一条流水线——写手生成、审核员校对、执行者落地——一个自然的问题出现了：整条流水线的可靠性是多少？ 工程界的传统做法来自串联系统的可靠性理论：分别测出每个组件的可靠度 $p_1, p_2, \ldots, p_m$，然后相乘，得到整系统的可靠度下界 $p_1 \times p_2 \times \cdots \times p_m$。前作 ABC v1（Bhardwaj, 2026）的"行为合约"框架就是这么做的，而且据作者所知，当时所有针对 Agent 系统的组合可靠性论证都是这么做的。
这个"相乘"步骤在数学上需要一个许可证：条件独立性假设（v1 框架中的条件 C5）——在交接（handoff）合规的前提下，下游 Agent 是否满足合约，与上游 Agent 的内部执行情况无关。
C5 在 v1 论文里被写明了但从未被检验。它的问题不是显眼，而是恰好藏在最常用的部署模式里：审核 Agent 检查写手 Agent 时，两者往往就是同一个模型配了不同的提示词。同一模型的两份拷贝不会有独立的盲区——它们共享盲区。类比：让同一个学生做一份试卷的两半，再宣称"两半都对的概率等于各半对率的乘积"。这位学生恰好某类题始终不会做，那么无论把试卷拆成多少份"互相独立"的组件，错误都是联动出现的。相乘得到的数字看起来令人安心，而它赖以成立的前提已被数据否定，且流水线里没有任何环节会发出警告。
1.2 独立性假设的隐蔽性
1.3 冗余设计为何失效
更要命的是误差的方向性。论文 Proposition 4.1 证明：对于串联系统，独立性乘积反而是保守的（正相关让真实串联可靠性高于乘积）；但对于冗余设计——并行分支、quorum 投票、审核-写手对——Corollary 4.1 证明在正依赖下，“所有冗余路径同时失败"的概率严格超过独立乘积。也就是说，冗余被高估信用的时刻，恰好是冗余组件共享同一模型的时刻。而冗余设计买来就是为了压低"全失败"概率的——纸面上压到 1%，实际可能是 36%。
二、论文定位和关联工作
2.1 处理依赖问题的四条路线
这篇论文处在一个清晰的谱系中。面对"组件间失败不独立"这个问题，历史上出现过四条路线：
| 路线 | 代表工作 | 核心做法 | 问题 |
|---|---|---|---|
| 独立乘积假设 | ABC v1 (2026) 及所有组合可靠性论证 | 假设 C5 成立，直接相乘 | 假设被数据否定，误差方向对运维者不利 |
| Fréchet 界 | Fréchet (1951); Hoeffding (1940) | 完全去掉假设，只用边际给出上下界夹逼 | 下界经常恰为零（Corollary 4.2），正确但无用 |
| Copula 建模 | Sklar (1959); Barlow & Proschan (1975) | 拟合高斯单因子 copula 等参数化依赖模型 | 定理4.2：模型误设时覆盖率随 n→∞ 崩塌，且无症状 |
| 矩集证书（本文） | 继承 Boole (1854)、Hailperin (1965)、Bertsimas & Popescu (2005) 的线性规划传统 | 用实测共执行矩约束联合分布，在一致分布族上取最小 | 保守性是免疫力的代价，但随矩族增大数据下降 |
2.2 相关失败文献中的位置
“共享底座的模型会一起失败"已不是猜想：McDonnell et al. (2026) 在三学习器集成中量化了相关性（联合错误率膨胀 3.53 倍，ϕ = 0.612）；Huang et al. (2026) 观察到同族 Agent 共享盲点。本文与它们的区别有三点：第一，模型共享在这里是被操纵的实验变量（三水平、预注册），而非固定架构的属性，这才让臂间对比成为关于"替换"的因果主张；第二，此前的工作都不产出界——测出失败相关并不告诉从业者能认证多少可靠性，本文第 5、6 节补的正是这个；第三，本文指出 McDonnell 等领先使用的 ϕ 统计量对边际敏感，可能纯粹因为两个 Agent 失败率不同而反转条件的表面排序（第 10.2.3 节实测到并跨后端复现了这种反转）。
2.3 序贯检验的演进：从 SPRT 到 e-process
认证的第二条技术线是序贯分析。Wald (1945) 的 SPRT 用远低于固定样本量的期望样本数完成认证，但要求事先固定停止规则——而现实中团队是盯着仪表盘、“数字好看了就发布"的，这种任意停止会把固定 n 区间的第一类错误无界膨胀。博弈论概率与 e-value/押注检验（Ville, 1939; Shafer & Vovk, 2019; Ramdas et al., 2023）提供了任意停止有效的替代。本文的新颖之处在于应用到组合 Agent 可靠性上，且关键收益是具体的：其零假设只约束条件均值，因此完全不需要独立性假设——恰好对本文前半部分揭露的失效模式免疫。
三、问题定义
3.1 抽象表述
论文要解决的核心问题可以一句话说清：在不知道组件间依赖结构的前提下，对"整条流水线全部成功"的概率给出有覆盖保证的下界。 注意三个关键词：不知道依赖结构（不能假设独立，也不能假设某个 copula 族正确）；全部成功概率（不是各组件的边际）；覆盖保证（有限样本下下界以至少 1−η 的概率不超过真值，而非点估计）。
3.2 形式化：矩盒约束下的最优化
设 $m$ 个组件的硬判决为 $h_1, \ldots, h_m \in \{0,1\}$，联合分布是 $\{0,1\}^m$ 上某个未知的 $Q^\star$。目标量是 $Q^\star(\bigcap_i h_i = 1)$。做法是：取一个矩族 $\mathcal{J}$（例如所有单个组件的边际、所有二元共同成功矩），对每个矩 $S \in \mathcal{J}$ 用 Clopper–Pearson 精确区间构造置信区间，再用 Bonferroni 合并成一个"矩盒” $\mathcal{B}(\hat\mu)$——以至少 $1-\eta$ 的概率，真矩向量落在盒内。然后求解线性规划：
$$\hat{L}_1 = \min_Q \; Q\Big(\bigcap_i h_i = 1\Big) \quad \text{s.t.} \quad Q \text{ 的各矩落在 } \mathcal{B}(\hat\mu) \text{ 中}$$即在所有与实测矩一致的联合分布上最小化全成功概率。真分布只要盒覆盖就必在候选集中，因此最小值必然 ≤ 真值。
3.3 为什么直接去掉假设会得到零下界
Fréchet–Hoeffding 界（定理4.1）给出：全成功概率 ≥ $\max(0, \sum_i p_i - (m-1))$。当平均组件可靠度 $\bar{p} \le 1 - 1/m$ 时，这个下界恰好为零。对 $m = 4$、每个组件 $p = 0.75$ 的典型场景——下界就是 0。这就是"正确但无用"的困境：C5 给出的数字在危险方向上错了；去掉 C5 得到的数字是对的但没用。矩集证书恰好占据两者之间的空间。
四、问题解法
论文的解法分为三块：分层证书体系、矩集线性规划、anytime-valid 序贯证书。
4.1 分层证书：按证据选层，默认落在安全侧
Definition 5.1 把证书定义为三元组 $(\hat{L}, \mathcal{A}, \mathcal{S})$：下界、所依赖的假设集、适用范围（任务分布、模型版本、拓扑）。三层结构：
- Tier 0（实测层）：仅当组合被端到端执行过、$Y_G$ 被直接观测时可用，$\hat{L}_0$ 是 Clopper–Pearson 精确下界。假设：仅 i.i.d. 任务。
- Tier 1（copula 无关层）：只有各阶段分别执行的数据也能用，$\hat{L}_1$ 就是矩盒 LP 的最小值。假设：仅 i.i.d. 任务。这是本文核心贡献。
- Tier 2（模型层）：高斯单因子模型给出的下界。只作诊断报告，永不认证——定理4.2 已判了它的刑。
Proposition 5.1 的设计细节值得注意：Tier 0 的合法性要求"确实端到端执行过"这一关于数据生产方式的事实，检查通过矩阵本身无法验证或反驳。因此默认选 Tier 1、Tier 0 需要显式断言——这样"忘记设标志"的失败模式是得到一个偏松但有效的证书，而"误设标志"这种不安全情形被挡在刻意行为之后。
4.2 矩集线性规划：可靠性的"最坏情况审计”
共执行矩与置信盒。 矩族 $\mathcal{J}$ 里的每个矩 $\mu_S = Q(\bigcap_{i \in S} h_i = 1)$ 是"子集 $S$ 中所有组件同时成功"的概率。对每个矩，用 n 次 i.i.d. 任务的二项观测做 Clopper–Pearson 区间，每尾水平 $\eta/(2J)$。J 个矩的联合覆盖由 Bonferroni 联界保证 ≥ $1-\eta$。
线性规划本体。 把 $\{0,1\}^m$ 上的联合分布写成 $2^m$ 维向量 $x$（每格概率非负、总和为 1），“子集 S 全成功"是线性泛函 $a_S^\top x$，于是全成功概率的识别区间 $[\underline{R}, \overline{R}]$ 就是一个标准 LP 的最小/最大值。定理5.2（Tier-1 有效性）：对任何真分布 $Q^\star$，$\Pr[\hat{L}_1 \le Q^\star(\bigcap h_i = 1)] \ge 1 - \eta$。证明的关键一步在附录 A.8：论证从未引用 $Q^\star$ 的依赖结构——只用了”$Q^\star$ 满足自己的矩约束"这个同义反复。这就是"copula 无关"的精确含义。
尖锐性与单调性。 定理6.1 证明 LP 的最小/最大值都被同一矩约束下的分布取到，因此 $[\underline{R}, \overline{R}]$ 恰是识别集，没有任何只用 $\mathcal{J}$ 中信息的方法能给出更紧的界——保守但不松垮，“真实情况肯定比这好得多"的乐观没有数学空间。Proposition 6.1 证明点矩层面矩族越大识别集越窄；Proposition 6.2 处理有限样本下的 Bonferroni 预算问题：若按"使用集"分配（每尾 $\eta/(2J)$），加矩会加宽所有区间、单调性可能失效；若预分配到一个最大族 $\mathcal{J}_{max}$（每尾固定 $\eta/(2|\mathcal{J}_{max}|)$），则加矩只添约束、认证下界按构造单调。实测代价：$J=10$ 时预分配比使用集低 0.0098（0.2357 vs 0.2455），$J=14$ 时为零。
类比对偶表。 这个思路在别的领域有熟知的对应物：
| 视角 | 分布鲁棒优化（DRO） | 本文矩集证书 |
|---|---|---|
| 不确定性 | 分布本身未知 | 组件间依赖结构未知 |
| 模糊集 | 与实测矩一致的分布族 | Bonferroni–Clopper–Pearson 盒内的联合分布族 |
| 目标 | 模糊集上期望的最坏情况 | 全成功概率的最小值 |
| 保障 | 对模糊集内所有分布鲁棒 | 覆盖事件上真分布必为候选 |
| 收紧手段 | 缩小模糊集（加矩/加支持约束） | 扩充矩族 $J=10 \to 14$ |
区别在于 DRO 通常没有有限样本覆盖保证，而定理5.2 的置信盒给出了精确的 $1-\eta$ 保证——把 Clopper–Pearson 精确区间与极值 LP 结合是本文的新贡献（LP 本身是经典工具，作者明确承认）。计算上，LP 有 $2^m$ 个变量，对 Agent 拓扑常见的 $m \le 8$ 毫秒级可解；五十阶段的流水线则需要"子组合认证再复合"的路线，代价是紧度损失（本文未量化）。
4.3 anytime-valid e-process 序贯证书
固定 n 的证书有一个现实软肋：部署系统是被持续监控的。团队看仪表盘、数字够好就停止——这是任意停止，会让固定 n 区间的第一类错误无界膨胀。
- 押注构造。 Definition 7.1 的序贯零假设是 $H_0: E[y_r | \mathcal{F}_{r-1}] \le p_0$（条件均值逐任务受约束）。押注比例 $\lambda_r$ 可预测（只依赖历史），财富过程 $E_R = \prod_{r \le R}(1 + \lambda_r(y_r - p_0))$——像对"任务成功"反复下注，赢了财富涨、输了财富缩。零假设成立时财富是非负上鞅（引理7.1），Ville 不等式（定理7.1）给出：对任何停止时点（包括数据依赖、无界的），财富曾超过 $1/\alpha$ 的概率 ≤ $\alpha$。
两个关键性质。 其一，$H_0$ 只约束标量条件均值、逐任务逐一约束，因此跨任务、跨组件、跨共享模型冲击的依赖都可以任意形式存在——序贯证书恰好对本文揭露的失效模式免疫。其二，保证作用在整条路径上，因此认证必须闩锁（latch）：财富一旦越线，“曾越线"这个事件已发生，后续证据不能撤销它。第 10.5 节实测：驱动一个过程在第 14 个任务越线（峰值对数财富 13.27）后连喂 340 次失败（对数财富崩至 −1552.49），证书保持签发——这是实现容易做错的地方（按当前财富重算认证就会错）。
与 SPRT 的精确关系。 Proposition 7.1：取 $\lambda^\star = (p_1 - p_0)/(p_0(1-p_0))$ 时，押注因子恰好等于 Bernoulli 似然比，$E_R$ 就是 SPRT 统计量——最优押注下 e-process 精确退化为 SPRT，任意有效性对已知替代假设是"免费"的。代价只在 $\lambda$ 失配时以功效（而非合法性）形式出现：实测平均首次越线时间从 $\lambda = 1.2375$ 的 14.6 个任务到 $\lambda = 0.125$ 的 403.9 个，差 28 倍，而第一类错误全程 ≤ α。Proposition 7.2 的混合押注在 $p_1$ 未知时按先验混合多个 $\lambda$，付出可加的 $\log(1/\pi(\lambda))$ 后悔上界，换来对事后最优押注的逐路径保证。
五、评估指标与实验证据
5.1 预注册的实验设计
整个战役共 30,820 个评分任务、12 个臂、13 份执行日志。其中确认性核心是 series2（两 Agent 交接）三个臂各 6000 个任务，共 18,000 个任务；quorum2of3、parallel2 两个拓扑作为次要复制报告。
- 任务生成与评分：6 类确定性评分生成器，覆盖零售（订单算术、退款政策应用、促销上限执行）与金融（交易限额检查、观察名单筛查、强制免责声明存在性）。“确定性评分"意味着评分环节没有模型参与——不存在"LLM 评委自身引入相关性"的混杂。任务到类别的指派是任务标识符的 SHA-256 哈希，可复现。
- 冻结采样：temperature = 0.2、top_p = 1.0、max_output_tokens = 160，注册时固定、从未改动。
- 操纵变量：两个被评分 Agent 的共享程度。same_model 两席都跑 mistral-small-24b；same_vendor 第二席换成 ministral-8b（同厂、更小）；different_vendor 换成 gemma-3-12b-it。第一席全程固定为 mistral-small-24b，对比因此隔离了"替换"这一操作。
- 预注册假设：H1（同模型条件下共失败依赖为正）；H2（依赖随共享减少而单调下降）；H3（朴素乘积界在共享条件下反保守）。注册还写明了证伪标准。
- 依赖统计量：Jaccard 重叠 J、二值 Kendall $\tau_a$、ϕ 系数（边际敏感类）；log OR、Yule’s Q（边际自由类）。置信区间为百分位 bootstrap，B = 2000。
5.2 核心发现一：同模型共失败率 90%
确认性臂（series2，n=6000/臂）的主结果：
| 指标 | same_model | same_vendor | different_vendor |
|---|---|---|---|
| 共失败格 $n_{11}$ | 2177 | 2289 | 1987 |
| 边际失败率 $p_A / p_B$ | 0.3943 / 0.3715 | 0.3925 / 0.5077 | 0.3793 / 0.3687 |
| Jaccard J | 0.9003 | 0.7355 | 0.7945 |
| ϕ | 0.9161 | 0.7465 | 0.8173 |
| log OR | 6.6645 [6.38, 7.00] | 4.8774 [4.64, 5.15] | 4.6685 [4.50, 4.86] |
| Yule’s Q | 0.9975 | 0.9849 | 0.9814 |
same_model 臂的直白读法：Agent A 失败率 39.4%、Agent B 失败率 37.2%，若独立则共失败率应为 14.6%，实际共失败率 36.3%。在至少一个 Agent 失败的 2418 个任务中，两个都失败的有 2177 个——90.0%。用一个模型的第二份拷贝来"冗余”，几乎买不到独立证据。全部臂、全部拓扑中相关性都为正且显著（log OR 从 2.92 到 6.66）。
臂间对比（对 H2 的直接检验）：same_model 显著高于两个替换臂，六个对比（3 拓扑 × 2 替换）全部显著；但 same_vendor vs different_vendor 不显著甚至符号冲突——注册的三级排序在厂商一级失败，论文如实报告了这个 null。换模型才是降低相关性的有效轴。
负控制：quorum2of3 中 worker_0 与 worker_2 两席在所有臂都跑 mistral-small-24b、构成不受操纵的同模型对。5 个统计量 × 3 个对比 = 15 个检验全部为 null，依赖度稳定在 J ≈ 0.83–0.85。若臂效应由任务漂移、时序、提供商侧变化等混杂驱动，这对应该随臂标签移动——它没有动。
5.3 核心发现二：加矩收紧认证下界
E2 用 quorum3of4/same_model 臂（m = 4 个被评分 worker，n = 717，实测全成功率 0.5328）：
| 量 | 分配方式 | J = 10（边际+成对） | J = 14（+四三元矩） |
|---|---|---|---|
| 尖锐点矩识别区间 | — | [0.5077, 0.5565] | [0.5272, 0.5342] |
| 区间宽度 | — | 0.0488 | 0.0070（缩窄 85.7%） |
| 认证下界 | 使用集 | 0.2455 | 0.4116 |
| 认证下界 | 预分配 | 0.2357 | 0.4116 |
| 认证上界 | 使用集 | 0.6087 | 0.5955 |
同一份数据，矩族从 10 个功能量加到 14 个，认证下界从 0.2455 升到 0.4116（+16.6 个百分点），识别区间缩窄 85.7%。两点诚实披露：认证下界 0.4116 仍远低于实测率 0.5328——它是分布自由下置信界，本来就该保守；使用集分配在 J=10 更紧（0.2455 vs 0.2357），但其单调性是经验性的而非保证的，论文两种都报而不是悄悄选好看的那种。
5.4 核心发现三：copula 覆盖率崩塌 vs 矩集全覆盖
E3 是一个精心构造的对照实验。构造两个"证据不可区分"的真实分布：对照臂直接从等相关高斯单因子分布抽样（模型正确设定，Δ=0）；对抗臂从 Example 4.2 的见证分布抽样——LP 最小值取得律，与高斯律有完全相同的边际和成对矩，但全成功概率是 0.330475 对高斯律的 0.392144（Δ = 0.0617）。任何只看边际和成对数据的程序都无法区分两者。各 200 次重复 × 4 个样本量，计算高斯模型下界（500 次 bootstrap）：
| n | 对抗臂（Δ=0.0617）覆盖率 | 对照臂（Δ=0）覆盖率 | Tier-1 覆盖率 |
|---|---|---|---|
| 250 | 0.36 | 0.95 | 1.00 |
| 500 | 0.07 | 0.96 | 1.00 |
| 1000 | 0.03 | 0.96 | 1.00 |
| 2000 | 0.01 | 0.94 | 1.00 |
模型下界的覆盖率从 0.36 一路跌到 0.01——到 2000 个任务时，200 次重复中 198 次证书高于真值。正确设定的对照臂全程守住 0.94–0.96。Tier-1 矩集下界在全部 1600 次重复中 100% 覆盖（保守性是免疫力的价格）。论文还诚实记录了一次更正：v2 预印本曾用从高斯律抽样的模拟报告崩塌——那个设计根本不可能展现出该效应（模型正确设定时定理4.2 不适用），正确设计需要的正是矩不可区分的见证分布。
5.5 其余实验
- E4（type-I 控制）：8000 条独立零流 × 500 任务，p₀ = 0.8、α = 0.05。全部六个预设 λ 值的越线率都 ≤ 0.0471（最坏值，低于名义 0.05），全部落在蒙特卡洛带内。最紧处在 λ = 0.625，恰是 p₁ = 0.9 的 SPRT 最优押注。SPRT 精确复现：五组 (p₀,p₁) × 三条任务序列上，累积对数财富与 Bernoulli 对数似然比的最大绝对偏差为 0.0——浮点精确相等。闩锁测试通过（见 4.3 节）。
- E5（跨后端复现）：两条注册广度臂换掉上游推理提供商。Grok 臂（n=1901，5% 无选择损耗）干净复现：log OR = 7.306，95% 下界 6.898。同时 J 塌缩到 0.292——因为强模型把两个边际失败率都压低了（0.017 / 0.059），边际敏感统计量被边际绑架的机制在独立数据上再次上演，而边际自由的 log OR 反而升高。
- E6（i.i.d. 假设的消融）：19 个 Agent-臂组合的最大实测设计效应 DEFF = 1.148。主动让步 DEFF = 1.5（实测最大值的 1.31 倍），认证下界最多移动 2.69 个百分点（quorum3of4 臂 0.4116 → 0.3847）。证书对 i.i.d. 假设在数据支持的量级上不敏感。
六、效果优势的根源解释
6.1 为什么矩集证书的覆盖有保证
因果链只有三步：不建模依赖，而是在矩盒一致的分布族上取最小值 → 真分布在盒覆盖时必为候选 → 覆盖有保证。关键是那个"同义反复”（附录 A.8 的原话）：证明从未引用真分布的依赖结构，只用了"真分布满足自己的矩约束"这一恒真事实。证据链的每一环都是构造性的：Clopper–Pearson 精确区间给出每个矩的有限样本覆盖，Bonferroni 联界把 J 个矩合并成盒覆盖，LP 最小值 ≤ 盒内任何元素的全成功概率——包括真分布。保守性不是缺陷而是设计：它换来了对任何依赖结构的免疫，而 E2/E3 显示这个价格随矩族增大而下降、且远低于"模型法证书错误"的代价。
6.2 为什么模型法"数据越多证书越错"且无症状
定理4.2 的机制是阶数错配：识别差距 $\Delta = R_F(\mu^\star) - R^\star$ 是模型族的性质，是 $O(1)$ 的常数，不随样本缩小；而 bootstrap 的"折扣”（haircut）是 $O(n^{-1/2})$，随 n 缩小。过了某个有限样本量，整个区间坐在真值上方且永不回来。更糟的是没有可见症状：bootstrap 没有失灵，它忠实地覆盖了"被问的那个估计量”——拟合模型的功能量——而不是真相。区间越收越窄，围着的却是错误的目标。E3 的数据完全复现了这个预测（0.36 → 0.01），而且对抗臂与对照臂在模型消费的证据上不可区分，没有任何针对边际或成对矩的诊断能检测并排除这种崩塌。
6.3 换模型 vs 换厂商的实践含义
六个对比一致显示换模型显著降相关、换厂商（模型已不同时）无效。对冗余设计的直接含义：多样性的有效轴是模型身份，从一家厂商采购两个不同模型，并不明显差于从两家采购。（论文谨慎地限定：只换过一个同厂模型和一个跨厂模型，不支持一般性的采购政策。）深层含义是：相关性来自共享的归纳偏置/失败模式，“不同厂商"这个采购标签并不映射到"不同失败模式”。
七、必要知识反推
要读懂并复现这篇论文，需要哪些知识？按层拆解：
7.1 领域层
- 多智能体系统结构：串联/并行/quorum 拓扑中"全成功"事件的定义（合取 vs 冗余规则的区别——Corollary 4.1 显示两者把正依赖放在安全性论证的相反一侧）。
- 可靠性工程基本概念：组件可靠度、串联乘积、冗余设计压低共失败率的目的；Fréchet 界在可靠性中的地位。
- LLM Agent 评测现状：为什么"任务成功率是边际量"而组合保证需要的是联合量。
7.2 方法论层
- 统计推断：置信区间的覆盖频率解释；Clopper–Pearson 精确区间（为什么精确而非渐近在这里重要）；Bonferroni 联界与多重检验预算；bootstrap 的作用与局限。
- 线性规划：概率单纯形上的线性目标、对偶不重要但"识别集=可达值区间"的紧性论证（定理6.1）要能看懂。
- 序贯分析：SPRT 的似然比结构；鞅/上鞅与 Ville 不等式；e-process 与任意停止有效性。
- 测量论陷阱：边际敏感 vs 边际自由统计量（ϕ、J、τa 会被边际失败率差异绑架，log OR、Q 不会）——这是读懂 10.2.3 反转的关键。
7.3 工程层
- 运行时拦截：进程内钩子 / 工具协议层 / 传输层三个拦截面的取舍；pre-action 与 post-action 拒绝的区别（只有前者是对不可逆操作的真正强制）。
- 实验工程：预注册流程（假设、样本量、估计量、停止规则、证伪标准先于结果冻结）；确定性评分管线；SHA-256 哈希定任务分配。
- 代码组织：认证模块按 tier 分文件（observed_floor / lp_bound / eprocess / sprt）；1697 个测试、93% 覆盖率，把"证书闩锁"“默认 Tier 1"等易错性质钉进测试。
7.4 融合节点
这篇论文真正的知识交汇点，是把分布鲁棒优化的"模糊集最坏情况"思想搬到 Agent 可靠性认证上，并补上了有限样本覆盖保证；再叠加博弈论统计的 e-process 解决持续监控下的任意停止问题。三个成熟领域的组合产生了新能力：不依赖独立性假设的认证、可单调收紧的界、盯仪表盘随时停也不失效的证书。
八、通用性灵感
1. 相关性是冗余设计的隐形杀手。 核心思想：冗余的价值取决于组件失败的独立性，而现代 AI 系统中"同模型"是最常见的隐性相关源；纸面乘积会把共失败概率低估数倍。论文证据：同模型对 co-fail 90.0%、实际共失败 36.3% vs 独立预期 14.6%；ϕ 高达 0.916 时独立计算"差得不是一点”。推广场景：多模型投票、双签审核、多区域容灾——凡是"复制组件求保险"的设计，都该先问一句：这些组件的失败真的独立吗？
2. 免假设证书优于模型化依赖。 核心思想：当依赖结构未知时，“在与实测证据一致的所有分布上取最坏情况"比"拟合一个参数化依赖模型"更安全——后者在误设时覆盖率随数据增多而崩塌且无症状（识别差距 O(1) vs bootstrap 折扣 O(n^{-1/2})）。论文证据：E3 中模型下界覆盖率 0.36 → 0.01（n=250 → 2000），同一.draws 上 Tier-1 矩集下界 1600 次全覆盖。推广场景：金融风险聚合、供应链压力测试、集成模型校准——任何"用 copula 或相关矩阵刻画依赖再报置信区间"的地方都适用这条警示：数据越多，错误的证书看起来越自信。
3. 预注册 + 确定性评分 + 封存确认集的实验诚信范式。 核心思想：把假设、样本量、估计量、停止规则、证伪标准在看到任何结果之前冻结，用不含模型的评分规则消除测量引入的相关，把确认性证据与探索性证据分层报告。论文证据：18,000 任务的确认性核心之外全部标为 secondary；注册假设 H2 的厂商一级失败被如实报告为 null；事后改用 log OR 的研究者自由度被主动披露。推广场景：A/B 测试、模型评测、任何"边看数据边选指标"诱惑存在的实验——负结果和偏差披露本身就是可信度的组成部分。
4. 换模型多样性才降相关，换厂商标签无效。 核心思想：相关性的来源是共享的归纳偏置，不是组织归属；降低冗余组件相关性要在"模型身份"轴上做文章。论文证据：6/6 个换模型对比显著降相关（log OR 降约 1.8–2.1 个对数单位），0/3 个换厂商对比可靠生效。推广场景：多模型仲裁、AI 审核链、采购决策——与其追求"两家供应商”，不如追求"两种不同的模型"。
5. 统计量的边际敏感性是隐藏的测量陷阱。 核心思想：Jaccard、ϕ、Kendall τ 这类常用相关度量会被两个变量的边际率差异绑架，可能纯粹因边际不平衡而反转条件的表面排序；log OR 和 Yule’s Q 对行列表缩放不变。论文证据：series2 中 J 显示 different_vendor 相关性高于 same_vendor（伪象），log OR 上该反转消失；E5 跨后端数据上同一机制再次复现（J 塌缩而 log OR 升高）。推广场景：读任何以 ϕ 为头号指标的相关失败研究时，都该检查比较组之间边际失败率是否可比，配报一个边际自由统计量是最便宜的保险。
九、结语
这篇论文做了一件罕见的事：用一个 18,000 任务的预注册实验，把整个领域习以为常的一步推理（可靠度相乘）送上了测量台，然后给出了可用的替代品。它没有让相关失败消失，而是让相关失败变得可测量、让由此产生的保证"诚实地退化而不是无声地失效"。正如结论所言：一个证书 merely loose 的系统可以带着已知余量上线，而一个证书 confidently wrong 的系统根本无法安全上线——独立性假设制造的恰恰是后者。
本文基于论文全文逐页阅读撰写。