摘要
快照支持的沙箱使得分支变得廉价，同时保持证据依赖关系不变。分支可以重用模型、提示、代码库、测试、观察或执行祖先，因此输出计数可以将一个重复的错误放大为高置信度共识。我们提出了一种证据感知的减缩契约：每个工作节点报告估计值、估计信息、证据标识符、分支谱系和执行元数据。
对于独立的工作节点估计一个共同参数，我们使用标准的逆信息汇聚，其高斯/瓦尔德形式可以合并为任何树的顺序；证据ID和谱系遵循不同的规则。剩余量 $\Delta$ 衡量不一致性，在标量逆方差情况下变为Cochran的 $Q$，并出现在乘积积分中。
参考实现验证了序列化记录，拒绝重复的非空证据标识符，携带证据和谱系通过树减缩，并使用基于Cholesky的数值线性代数。单元测试和种子合成检查验证了代数、不等信息和伪造精度；一个四工作节点的命名快照痕迹验证了端到端路径。平台日志记录了执行路径。
一个中央开放系统挑战是将证据身份和分支谱系转化为相关和自适应选择的AI分支的依赖模型。
博主点评： 这项研究提出了一种创新的方法来处理计算任务中的证据依赖性，尤其是在分叉计算环境中。通过引入证据感知的减缩契约，研究者们有效地提升了多工作节点环境下的可信度和一致性，为未来的AI系统提供了重要的理论基础和实践可能性。