本文考察的是基于使用场景的人工智能监管中的一致性认定问题。此类监管按部署风险分配义务，却缺少一个能够承载这些义务的证据对象。论文指出，基准分数只是模型的一种属性，而一次部署的“一致性”应当被理解为：在某一明确声明的上下文分布之下、受适用范围约束并设有有效期的失败率。作者沿用此前提出的委托契约框架，其中包括冻结配置、限定范围内的声明以及可执行的修订规则，并在部署方、审计方与执法节点之间的策略性博弈中对该框架进行分析。
论文围绕五个问题展开。第一，所声明的上下文混合能否被做得真实可信？作者给出的机制是对所声明的混合施加适当评分惩罚，并证明最优回应的部署方所产生的超额失败被该惩罚权重的 O(λ^{-1/2}) 所约束。第二，审计能否在面对能够识别评估流量的系统时保持无偏？作者提出一种从真实流量中抽取的承诺—揭示式审计，它在构造上即无偏，并且用同一样本对评估方本身进行评分。第三，认证误差预算能否支撑长期运行的部署？论文说明，折半式误差预算会使认证覆盖率降至 (1-p)^n 以下，而采用 α 投资方式则可在边际误认证保证下维持覆盖率。
第四，聚合审计能否支撑按子群给出的保证？作者指出，要获得逐子群保证，审计规模需要随子群质量按 1/m 的比例扩大。第五，若事件度量只统计系统失败而不计入回退成本，能否正确排列不同部署安排？论文证明，任何仅关注失败的度量都会在任意回退成本下偏向“撤回”这一选择，即使按总损失排序时各安排的先后次序恰好相反。
作者通过五项预先注册的合成研究对上述每一项主张进行了检验，并明确说明研究中没有评估任何语言模型或生产系统。这一限制意味着结论属于机制与命题层面的理论结果加合成验证，而非对现实部署的实证测量。
在监管落地层面，论文认为执法应位于分发、能力获取、变现与风险转移这几个关键节点；一致性记录的有效期构成一种注意义务标准；而“一致性即速率”的路径应与欧盟《人工智能法案》所采用的静态符合性评估形成对照。作者 John deVadoss 于 2026 年 10 月 23 日提交该论文，arXiv 编号为 2610.33112，属于 cs.AI 分类，ACM 分类涵盖 K.4.1、K.5.2、I.2.6、J.4 与 G.3。