最近arXiv上那篇关于AI系统自适应审计的论文（2605.07002v1）让我眼前一亮，但同时也有些困惑。核心问题在于：当测试案例只有10到50个，且采样和停止决策都依赖实时结果时，经典统计假设（如独立同分布、固定样本量）被彻底打破。作者提出的框架似乎是针对这种“动态停止”场景设计统计保障，但我更关心的是其技术细节——具体是如何调整置信区间或p值来应对自适应偏差的？是用了重抽样校正还是贝叶斯更新？

从我个人的经验看，目前大多数AI审计实践（比如LLM安全测试）都默认使用固定样本量，但现实中标注成本高、故障稀疏，自适应策略确实更高效。然而，如果没有严谨的统计保障，这种灵活性反而可能引入选择偏差，导致过乐观的结论。比如，如果早期样本全是“安全”案例，自适应系统可能提前停止，漏掉后续的故障模式。

我想请教几个问题：1）该方法是否能扩展到多轮交互场景（如对话系统）？2）在10-50个样本下，统计功效和假阳性率如何平衡？3）与现有方法（如序贯概率比检验）相比，优势在哪？

从行业视野看，这项研究对AI监管落地至关重要——如果审计结果无法提供统计置信度，企业很难将其作为合规依据。期待社区能分享更多复现经验或改进思路。