本文考察的是基於使用場景的人工智能監管中的一致性認定問題。此類監管按部署風險分配義務，卻缺少一個能夠承載這些義務的證據對象。論文指出，基準分數只是模型的一種屬性，而一次部署的“一致性”應當被理解為：在某一明確聲明的上下文分佈之下、受適用範圍約束並設有有效期的失敗率。作者沿用此前提出的委託契約框架，其中包括凍結配置、限定範圍內的聲明以及可執行的修訂規則，並在部署方、審計方與執法節點之間的策略性博弈中對該框架進行分析。
論文圍繞五個問題展開。第一，所聲明的上下文混合能否被做得真實可信？作者給出的機制是對所聲明的混合施加適當評分懲罰，並證明最優回應的部署方所產生的超額失敗被該懲罰權重的 O(λ^{-1/2}) 所約束。第二，審計能否在面對能夠識別評估流量的系統時保持無偏？作者提出一種從真實流量中抽取的承諾—揭示式審計，它在構造上即無偏，並且用同一樣本對評估方本身進行評分。第三，認證誤差預算能否支撐長期運行的部署？論文説明，折半式誤差預算會使認證覆蓋率降至 (1-p)^n 以下，而採用 α 投資方式則可在邊際誤認證保證下維持覆蓋率。
第四，聚合審計能否支撐按子羣給出的保證？作者指出，要獲得逐子羣保證，審計規模需要隨子羣質量按 1/m 的比例擴大。第五，若事件度量只統計系統失敗而不計入回退成本，能否正確排列不同部署安排？論文證明，任何僅關注失敗的度量都會在任意回退成本下偏向“撤回”這一選擇，即使按總損失排序時各安排的先後次序恰好相反。
作者通過五項預先註冊的合成研究對上述每一項主張進行了檢驗，並明確説明研究中沒有評估任何語言模型或生產系統。這一限制意味着結論屬於機制與命題層面的理論結果加合成驗證，而非對現實部署的實證測量。
在監管落地層面，論文認為執法應位於分發、能力獲取、變現與風險轉移這幾個關鍵節點；一致性記錄的有效期構成一種注意義務標準；而“一致性即速率”的路徑應與歐盟《人工智能法案》所採用的靜態符合性評估形成對照。作者 John deVadoss 於 2026 年 10 月 23 日提交該論文，arXiv 編號為 2610.33112，屬於 cs.AI 分類，ACM 分類涵蓋 K.4.1、K.5.2、I.2.6、J.4 與 G.3。