大型推理模型的条件性能保证

大型推理模型虽通过扩展思维链展现出强大性能，但计算成本高昂。现有近似正确（PAC）推理仅提供边缘情况下的统计保证，缺乏精确的条件覆盖。本文提出 G-PAC 推理框架，通过划分输入空间在组级别提供 PAC 风格保证。我们开发了两种实例：针对已知分组结构的 Group PAC 和针对未知分组的 Clustered PAC。理论证明两者均能实现组条件风险控制，且在异构设置下比边缘 PAC 推理更高效。实验表明，该方法在显著节省计算资源的同时，成功实现了组条件风险控制。