VStress：面向重复验证器的相关性感知审计与自适应预算分配

重复调用验证器只在额外视图含有独立信息时有用；相关损坏下继续调用只增加成本。

• 场景：作者认为，损坏独立时多数投票可以提高质量；同一失败到达每个视图时，额外调用增加成本但不增加证据。有用的验证器审计必须在同一条轨迹里给出质量、覆盖、选择性准确率、调用成本和相关边界。
• 现有不足：作者称，选择性预测、成本感知路由和相关错误方面的工作提供了成分，但没有规定共同的决策后审计边界，也没有把测得的条件信息用作在线获取信号。
• 核心观察：实现多样性不被视为统计独立。论文报告测得的重叠、关联、互信息、分歧和留出集上的实现增益；在相同总调用预算下比较重复验证与广度，使质量增益不能只归因于在更多条目上少花钱。
• 提出的方法：作者把审计契约与分配规则分开。VStress 是可回放的二元反馈契约，在线证据在 oracle 接入前冻结。VStress-CA 选择下一通道、决定何时停止，并在部署依赖离开校准区域时回退。

• 奖励模型与可验证奖励：Lambert 等（2024）强调留出质量与失败模式；Lightman 等（2024）用可验证奖励训练推理与代码系统。作者称这些工作未规定共同的决策后审计边界，VStress 把该边界写明，并用测得的条件信息作在线获取信号，而不是提出新学习器。
• 选择性预测与失败模式：Geifman 与 El-Yaniv（2019）把拒绝选项形式化；稳健统计与序贯决策为弃权与成本感知停止提供动机。Lambert 等（2024）、Zheng 等（2024）、Skalse 等（2022）暴露奖励模型与过程验证器的系统性、语义性失败模式。作者称 VStress 把这些关切合成一条可回放二元审计，比较对象是额外视图、测得的共享错误结构，以及接受或弃权的成本。
• 相关错误与验证器鲁棒性：Kim 等（2025）、Chen 等（2025）、Patel 等（2026）被作者称为最近的外部比较点。相关感知扩展把验证器选择视为固定预算分配：高精度通道在残差错误重复当前证据时可能是差的下一次查询，较弱通道在解决不同错误模式时可能有用。
• 基线与评测对象：比较对象包括固定多数投票、随机分配、边际准确率贪心，以及忽略条件依赖的边际信息策略；应用问题还在相同总调用预算下比较广度与冗余。数据侧使用 512 条带周期二元 oracle 的 fixture（GSM8K payloads 只提供不可变标识）、重复真实验证器轨迹，以及下游 RLVR。

作者将本文定位为：把测得的条件依赖接到可审计的分配决策，而不是声称多数投票在相关错误下会失败这一已知机制。

VStress 规定二元反馈的回放契约，VStress-CA 用密封校准集上的条件边际信息决定下一通道、停止或弃权。

任务与信息边界

• 输入：fixture 条目 i 有干净二元 oracle yi。在线聚合器只收到由声明的损坏族生成的五个损坏视图 vi,1:5。干净标签和任务级结果留在事后 oracle 文件。一次运行由稳定源标识和 SHA-256 manifest 标识。
• 损坏与聚合：族 r、损坏率 ρ 下，z 为五个视图之和，a = max(z, 5−z)/5。多数决策为 z 至少为 3，固定弃权规则只在 a 至少为 0.8 时接受。轨迹冻结后计算弃权前平衡准确率、覆盖、选择性准确率、按类召回、Brier 分数和调用次数。
• 独立视图界：作者给出独立视图下多数错误概率的二项和。65% 被预先声明为压力边界；作者认为，即使 ρ 小于 1/2，部分相关仍可能使独立视图直觉失效。

四阶段流程

1. 校准：在密封划分上估计每通道可靠性、失败率、成本和条件依赖。
2. 在线获取：VStress-CA 在有界预算下选通道；原始裁决、失败码、延迟和计费成本写入账本。
3. 冻结：控制器在干净 oracle 接入前冻结预测、弃权状态和已获取通道集。
4. 评分与复用：同一冻结账本在留出验证器轨迹上评分，并在学习器缓存、优化器和任务划分固定时复用于 RLVR。

条件感知分配

• 通道值：通道池 C 为 1 到 M。Vj 取 0、1 或不可用（超时、模式非法记为 ⊥）。已查询集合 S 上，未查询通道的条件边际可区分度为 D(j | S) = I(Y ; Vj | VS)，只在校准行上估计。
• 打分：用 bootstrap 标准误 σ 与校准成本 c 构造 U(j | S)，分子为 D 减去 β 倍标准误后的正部，分母为成本加 ε。下一步选 U 最大的未查询通道。作者称通道只因尚未出现在已查询视图中的信息而获得价值，模型或提供方身份不是独立性的代理。

停止与依赖漂移回退

• 接受：每增加一个视图后，校准后验在 max(p, 1−p) 至少为 τ 时接受。否则仅当已查询规模小于预算 B，且未查询通道的最大 U 大于 γ 时继续；两者都不满足则弃权。
• 漂移：部署窗口用 Jensen–Shannon 统计量 Sshift 比较裁决频率、分歧和失败率与校准分布。Sshift 大于 δ 时关闭学习到的通道偏好，改用预先声明的 exact-stop。作者称这是为了避免把依赖估计外推到校准支撑之外。

训练与推理契约

• 在线路径：收到条目标识和有界裁决载荷。模式合法的裁决贡献一票、实现标识和延迟；畸形或不可用调用写入失败码并消耗声明预算。投票在读取任何 oracle 字段前冻结。离线评分按条目标识接入不可变 oracle，计算质量–覆盖–成本向量。协议对视图数线性，事后连接在按 manifest 键排序后对条目数线性。
• 两条臂共用契约：重复验证器臂保留原始裁决文本、提示/模板标识、模型版本、token 数、延迟、缓存来源和通道身份。RLVR 臂保留候选缓存、学习器种子、检查点、任务划分、聚合输出和验证器成本。干净 oracle 不在线复用。

实验设置

• Fixture：512 条有序记录，带周期二元 oracle。GSM8K payloads 提供不可变标识，不提供正确性标签。七个确定性损坏种子可回放。
• 指标：全条目、弃权前平衡准确率（BA）、覆盖、选择性准确率、按类诊断、每项调用次数。留出结果账本的区间是对声明的留出条目或任务单元的 95% 区间；种子级摘要是描述性的，不替代条目级分母。覆盖用原始条目分母，选择性准确率只在接受条目上定义。
• 应用四问：校准的条件依赖是否预测额外验证器的实现边际价值；固定调用预算下相关感知分配是否改善质量–覆盖–成本前沿；分配对校准规模和依赖漂移是否敏感；在匹配验证器调用或接受的学习器更新时，下游 RLVR 是否改善。
• 比较策略：固定多数、随机分配、边际准确率贪心，以及忽略条件依赖的边际信息策略。正文主表实际给出广度（每项一视图）、冗余（每项五视图）、VStress-CA 和等接受更新对照。论文未在 Table 2 中报告随机与贪心的数字。
• 损坏族：对称翻转、假阳性优先改变负类、部分相关把独立抽样与共同潜变量混合。固定工作点在 fixture 1001 上选择，再在四个留出受控 fixture 上回放。
• RLVR：学习器、优化器、批日程和三个训练种子在接入聚合结果前固定。训练、验证、留出任务 ID 不相交。聚合器是单次调用、多数和 sequential-safe 之间唯一改动的组件。

主结果

Table 3 给出质量–覆盖–成本边界；Table 2 给出固定预算比较。

表格较宽，可左右滑动

设置	BA	覆盖	选择性准确率	调用	出处
symmetric 35%，single	0.6578	未单列	未单列	未单列	Table 3
symmetric 35%，majority-5	0.7739	0.4919	0.8953	5	Table 3，增益 +0.1161
false-positive 45%，majority-5	0.7920	0.7946	0.9458	5	Table 3，single BA 0.7698，增益 +0.0221
symmetric 65%，majority-5	0.2362	0.4886	0.1179	5	Table 3，single BA 0.3587，变化 −0.1226
广度，每项 1 视图	0.6048	未报告	0.6217	1.0000	Table 2，5120 items，RLVR 0.5826
冗余，每项 5 视图	0.6375	未报告	0.6614	5.0000	Table 2，1024 items，RLVR 0.6148
VStress-CA	0.6538	未报告	0.6892	3.4216	Table 2，1497 items，RLVR 0.6417
等接受更新对照	0.6319	未报告	0.6547	3.0000	Table 2，1706 items，更新 4861，RLVR 0.6073

• 作者解读：35% 对称损坏下 majority-5 提高 BA，65% 是预先声明的压力条件，多数投票损失 0.1226。固定预算下 VStress-CA 的 BA 与 RLVR 分数高于同表的冗余行；等接受更新对照把训练更新分母保持可见。
• 依赖诊断（Table 1）：same-model repeats、same-family variants、cross-family channels 的错误重叠为 0.7826、0.5413、0.3187，条件边际增益为 0.0126、0.0462、0.0913。作者称跨族对的错误重叠最低、条件边际增益最大。
• Figure 3 标注：对称损坏率轴上可见 +0.132、+0.126、+0.012 与 −0.102；共同原因强度轴上作者标注“shared error erases gain”，曲线从约 0.12 降到 0.00。正文称部分相关回放中配对增益从 +0.1102 降到完全共享错误端点的 0（与 Table 10 一致）。

真实验证器与下游 RLVR

• 重复真实验证器（Table 4、Table 13）：低依赖通道在留出条目上 BA 0.8017、覆盖 0.5874、选择性准确率 0.9186、成本 4.96，区间 [0.7754, 0.8280]。共同原因通道为 0.7224、0.9048、0.7489、成本 4.91，区间 [0.6930, 0.7518]。Table 13 的单次对照 BA 为 0.7186。作者称这是离开受控 fixture 后仍可见同一质量–覆盖–成本权衡。
• RLVR（Table 6、Table 14）：三个种子、留出任务上，single-call 任务分 0.6127（覆盖 0.9678，1.0000 次调用），majority-5 为 0.6429（覆盖 0.5891，5.0000 次，成本 4.91×），sequential-safe 为 0.6408（覆盖 0.5836，4.6934 次，成本 4.52×）。成本漂移下 majority-5 为 0.6418（6.24×，Table 6）；验证器漂移下为 0.6287。
• 失败分解（Table 5）：single-call 对称损坏 BA 0.6578、覆盖 1、失败率 0；majority-5 对称损坏 BA 0.7739、覆盖 0.4919、失败率 0；majority-5 共同原因为 0.6591、覆盖 1；sequential-safe 在畸形/超时下 BA 0.7558、覆盖 0.4512、选择性准确率 0.9006、平均调用 4.3867、失败率 0.0714。

序贯停止、跨 fixture 与漂移

• Exact-stop 与 prefix-stop（Table 9，七种子均值）：exact-stop 保持 majority-5 的最终决策。对称 35% 下两者 BApre 同为 0.7739，调用从 5.0000 降到 4.7999。prefix-stop 的 BApre 为 0.7178、调用 4.0477。假阳性 45% 下 prefix-stop 的 BApre 为 0.8764、调用 3.3795，与 full majority-5 的 0.7920 不同。对称 65% 下 exact-stop 仍为 0.2362。
• 跨 fixture（Table 12）：校准 fixture 1001 的 single/majority BA 为 0.6578/0.7739。四个留出受控 fixture 的 majority BA 为 0.7685、0.7798、0.7711、0.7766，BA 增益 +0.1154 至 +0.1174。real anchor 只有一次冻结裁决，single BA 0.7191，majority BA 为 N/A。
• 部分相关（Table 10，对称损坏 35，复制门）：共同原因强度 c 从 0 到 1 时，单视图 BA1 固定为 0.6417，majority-5 的配对增益从 +0.1102 降到 +0.0000，覆盖从 0.4738 升到 1.0000。作者写明该边界特定于这一复制门构造。

其他消融与分析

• 视图数（Table 11，p+=0.666，τ=0.80）：k=3/5/7 的 BAk 为 0.7187/0.7770/0.7980，增益 +0.0673/+0.1257/+0.1466，覆盖 0.3281/0.4866/0.2458。
• 阈值（Table 11，k=5）：τ=0 与 0.60 覆盖 1.0000、BAsel 0.7770；τ=0.80 覆盖 0.4866、BAsel 0.8903；τ=1 覆盖 0.1336、BAsel 0.9654。BA 均为 0.7770。
• 损坏率（Table 11）：对称 0.15 增益 +0.1318；0.35 为 +0.1257；0.50 为 +0.0123；0.65 为 −0.1017。Figure 2 横轴为 views k、agreement threshold τ、symmetric corruption，纵轴为 paired ΔBApre 与 coverage；具体曲线端点论文未在图注中逐点列出。
• 校准样本量（Table 46）：n=32/64/128/256/512 时 CMD error 为 0.0867/0.0612/0.0385/0.0197/0.0000，BA 为 0.6269/0.6381/0.6462/0.6511/0.6538，RLVR 为 0.6106/0.6224/0.6335/0.6391/0.6417。
• 依赖漂移（Table 47）：无漂移时 VStress-CA 的 BA 0.6538、调用 3.4216。重度漂移（JS 0.2269）无回退 BA 0.5869，有回退（exact-stop）BA 0.6206、调用 4.6719。中度漂移无回退 0.6237，有回退 0.6382。
• RLVR 错误分解（Table 48，接受更新分母）：VStress-CA 的 FP 奖励 0.1589、FN 奖励 0.1519、弃权 0.0438、接受 0.9563、任务分 0.6417；single-call 任务分 0.5826，majority-5 为 0.6148。

作者指出的局限与后续方向

• 校准样本：分配策略依赖校准划分上的条件信息估计。通道池相对校准集较大时估计变噪；样本效率表把这一依赖写明，作者称并不声称最优样本复杂度（Limitations）。
• 非因果：测得的低依赖不意味着因果独立。共享训练数据、推理模板、基础设施或失败原因可以仍然是潜在的（Limitations）。
• 漂移监测：依赖漂移通过可观测的裁决与失败摘要监测，因此保留这些摘要的潜在漂移可能仍然检不出（Limitations）。
• 任务范围：评测仍然固定二元决策任务、有界验证器池，以及下游学习器的匹配候选缓存。受控周期 oracle 识别机制，真实验证器与 RLVR 臂只在所记录的通道和种子下界定部署相关性。多类和更大通道池需要精确条件表以外的结构化估计器（Limitations）。
• 日志：方法使用原始验证器输出、实现标识、延迟和失败码。作者建议发布前做访问控制并去掉个人或敏感内容；更广部署在通道共享提示、数据或基础设施时也可能集中模型或提供方偏差。作者建议在每个聚合分数旁报告通道多样性、按类覆盖、校准划分和服务成本（Limitations）。
• 相关构造：Table 10 写明，测得的依赖边界特定于复制门构造；更广的可交换、成簇、提示依赖和验证器族相关需要单独评估。

实验覆盖范围

• 受控 fixture：512 条记录、七个损坏种子；损坏族包括对称、假阳性和部分相关。工作点在 fixture 1001 上选择，并在四个留出受控 fixture 上回放（附录 A、Table 12）。
• 主比较：Table 2 报告广度、冗余、VStress-CA 和等接受更新对照的调用、条目数、接受更新、BA、选择性准确率和 RLVR 分数。正文还列出随机分配、边际准确率贪心和忽略条件依赖的边际信息策略作为比较对象，这些策略的数字未出现在 Table 2。
• 真实验证器：留出测量包括低依赖通道与共同原因通道，各 5 个视图，并给出 95% 区间（Table 4、Table 13）。real anchor 为每项一条冻结裁决（Table 12）。
• RLVR：三个训练种子；比较 single-call、majority-5、sequential-safe，以及成本漂移和验证器漂移（Table 6）。检查点账本给出调用规模，例如 majority-5 为 93.61k 次调用、留出端点 0.6429（Table 25）。
• 漂移与校准：Table 46 在固定留出划分上改变校准条目数；Table 47 在无、轻度、中度、重度漂移下比较有无回退。论文报告区间为 95% 区间，未报告评审模型，因为评分在冻结后接入 oracle。

VStress 是重复二元验证器的回放审计，VStress-CA 把未查询通道的条件边际信息变成固定预算下的停止与分配。

• 问题：额外视图只在含有尚未出现的信息时值得调用。独立损坏下多数投票可以提高质量；共享失败时调用增加成本但不增加证据。
• 做法：在线聚合器只看损坏视图，写下决策和成本账本并冻结，然后才接入干净 oracle。分配在密封校准集上估计条件互信息，用不确定性折扣和调用成本归一，信息不足时停止或弃权；Jensen–Shannon 漂移报警后关闭通道偏好，回退到 exact-stop。
• 机制边界：对称损坏 35% 时 majority-5 的 BA 从 0.6578 到 0.7739（覆盖 0.4919，选择性准确率 0.8953，5 次调用）；对称 65% 时从 0.3587 降到 0.2362，变化 −0.1226（Table 3）。复制门下配对增益从 +0.1102 降到 0（Table 10）。
• 分配与下游：同一候选池上，广度、冗余、VStress-CA 的 BA 为 0.6048、0.6375、0.6538，RLVR 分数为 0.5826、0.6148、0.6417；VStress-CA 每项 3.4216 次调用（Table 2）。跨族通道的条件边际增益为 0.0913，同模型重复为 0.0126（Table 1）。低依赖真实通道的留出 BA 为 0.8017，共同原因通道为 0.7224（Table 4）。
• 作者结论：贡献是一条从测得条件依赖到分配决策的可审计路径。作者区分三种情形：未查询通道仍有条件信息时，重复验证买到新证据；错误冗余时，边际质量高估价值；部署依赖离开校准支撑时，应关闭通道偏好并使用 exact-stop。