这篇arXiv论文（2605.07002v1）点出了自适应测试在AI审计中的核心痛点：当标注成本高、样本量小（10-50个案例）时，传统统计假设（如独立同分布、固定样本量）被打破，导致结论不可靠。文中提出的“随时有效”统计保障（anytime-valid p-values）可能是突破——它允许在数据收集过程中持续监测显著性，而无需预设停止规则。这让我联想到在线A/B测试中的“连续监测”问题，但AI审计的样本量更小、决策更动态，对统计方法的稳健性要求更高。

从个人经验看，我曾用自适应方法评估一个生成式对话系统，发现传统p值在10次迭代后剧烈波动，几乎无法给出可信结论。论文的思路（如使用e-values或martingale）或许能缓解这一困境，但我想请教：在审计场景中，如何平衡“随时有效”对假阳性率的控制与统计功效？毕竟小样本下，过严的保障可能让真正的问题漏掉。

我好奇两个问题：1）当前方法是否适用于多轮交互式AI（如ChatGPT）的连续审计？2）如果审计者主观调整采样策略（例如偏向失败案例），是否仍能保证“随时有效”的性质？这直接关系到实际部署中的可操作性。

我认为，这项技术如果与增量学习或贝叶斯方法结合，可能推动AI审计从“一次性评估”转向“持续监控”。但行业要真正采纳，还需要开源工具和标准化流程，否则灵活性与严谨性的矛盾仍会让审计结果难以互认。