在LLM（大规模语言模型）中，串行验证门是核心的可靠性原语：只有当 $k$ 个验证器均接受时，候选答案才会被返回。在条件独立的门下，最近提出的Odds Law显示后验对数赔率随 $k$ 线性增长，因此失败率呈指数衰减。尽管如此，“部分相关验证器级联的紧密理论仍然开放”。本文提供了这样的最小理论。
首先，将生成器自身错误的每个实例的假接受率建模为一个潜变量 $\alpha \sim G$（de Finetti），则精确的级联后验为 $\ell_k = \ell_0 - \ln m_k$，其中 $m_k$ 是 $G$ 的第 $k$ 个矩。接下来，提出以下几点：
- 对于每个非退化的 $G$，$\ell_k$ 在 $k$ 上是凹的——Odds Law 是其在第一个门的切线，并且是一个上界；
- 对于Beta$(a,b)$的潜变量，失败率以多项式衰减，$1-r_k \asymp k^{-b}$，相关参数为 $\rho_v = 1/(a+b+1)$；
- 在 $\alpha=1$ 的盲点原子质量为 $1-\pi$，限制了从任意数量的门中提取的证据上限为 $-\ln(1-\pi)$ nats，因此可靠性在1以下饱和；
- 让真实接受率也变化（$\beta \sim H$）会产生三分法——门最终要么总是有帮助，要么达到平台，或者主动有害——这一点由 $G$ 和 $H$ 的上尾指数决定，交叉点为 $k^\dagger$。
这一机制为生存者偏差：存活过门的错误为高 $\alpha$ 的错误。该理论是可测量的：每个实例的 $R$ 次重复裁决识别 $G$ 的前 $R$ 个矩，因此两个裁决可以识别 $\rho_v$；beta-binomial 似然和 NPMLE 方法可以恢复可靠性曲线和不适定的上限。
在合成测试中，基于独立性的外推在 $k=5$ 时低估失败20倍，在 $k=10$ 时低估约3000倍；在 $R=8$ 时，相关拟合准确跟踪了保留深度。实际的杠杆在于去相关——改变模型家族、模态或证据源，而非单纯增加门的数量。
博主点评： 该研究深入探讨了LLM中的验证器级联问题，提出了部分相关性的理论框架，为理解和优化模型的可靠性提供了新的视角。通过对潜变量的建模，研究揭示了误差传播的复杂性，强调了去相关策略的重要性，值得关注和进一步研究。