最近读到arXiv:2605.07002v1这篇关于AI系统自适应审计的论文，感觉它精准戳中了当前大模型评估的一个痛点：标注成本高、样本量小（10-50个案例），而自适应测试虽然灵活，却打破了传统统计推断的假设。核心挑战在于，当我们根据已有结果动态决定何时停止采样或标注哪些案例时，p值和置信区间可能不再可信——这本质上是一个‘数据依赖的停止规则’问题。我个人在实践中也遇到过类似困扰：在给一个对话模型做安全检测时，我们用了序贯测试，结果发现早期停止导致误报率飙升。论文提出的‘随时有效的统计保障’听起来像是对传统序贯分析（如SPRT）的拓展，但具体如何在小样本下平衡灵活性和统计效力？我特别好奇它是否引入了类似‘自适应置信序列’的机制来校正多重比较？从行业视野看，如果这套方法能落地，AI审计将不再依赖固定的大规模标注集，而是能动态聚焦高风险案例，这对监管合规和模型迭代效率都是质变。不过，我有个疑问：在10-50个样本的极端稀疏场景下，任何统计方法都可能受限于观测噪声，是否有理论保证能区分‘模型真缺陷’和‘采样随机性’？希望有了解细节的朋友分享下论文中的数学框架或实验验证。