📖 AI 总结

该研究针对自适应视觉语言模型（VLM）集成中“提前退出”路由机制带来的覆盖性隐患展开分析。作者指出，单一 conformal 阈值虽能保证最终预测器的边际覆盖有效，但在各条计算路径上可能出现严重失效：若某路径的流行度为 π，边际 1-α 覆盖允许其条件覆盖降至 max{0, 1-α/π}。为此提出 SAGE-CP 流程，先在开发数据上学习路由器并冻结路由选择，再对提前退出与升级输入分别校准返回分数，校准步骤采用 Mondrian 分裂 conformal 预测。在 10 个基准、4 个冻结 VLM 和 5 个对齐划分上，全局校准与 SAGE-CP 均达到 0.900 边际覆盖，但路径表现差异显著：SAGE-CP 将平均最差路径覆盖从 0.623 提升至 0.887，路径覆盖差距从 0.324 降至 0.025，代价是平均预测集从 1.893 增至 2.212，仍小于全集成（2.486），且源调用减少 70.6%。该工作表明路由可节省计算，而按路径分层校准才能为路由产生的操作路径附加覆盖保证。

🔑 关键词速览