本文在经济学的边际效用概念与机器学习中的矩阵分解、Transformer 的键值（KV）缓存之间搭建了理论桥梁。作者证明，评分矩阵的奇异值谱 $\sigma_i$ 构成潜在因子的递减边际效用序列；投影协方差算子的特征值谱 $\lambda_i$ 则对应模型学习表征的边际效用；在固定记忆预算下，缓存驱逐和低秩缓存压缩等操作等价于约束效用最大化问题。统一的分配规则是：保留所有特征值大于约束影子价格 $\mu$ 的维度，即 $\lambda_i > \mu$。
该框架被用于从地质勘探文献中自动抽取结构化信息。具体实现包括：① 多轮推理协议，逐层细化抽取结果；② 基于 TIES 的层级模型合并，采用层级校准密度避免合并后出现的全局一致但错误的输出；③ 选择策略将抽取质量、定位漂移和能耗三者标量化，并在漂移上加入条件风险价值（CVaR）项以控制极端偏移。
实验报告了两项贡献。首先，构建了一个 1120 万参数的层级分类器，仅用单卡 GPU 训练约五分钟，在 973 篇铀勘探文档的留出测试集上达到 90.0% 的一级准确率；在人审计的 50 篇文档上，专有模型的 92.0% 仅在延迟上劣势明显（本模型 2.62 ms/卡 vs. API 约 2000 ms），且成本可忽略不计。其次，对均匀密度 TIES 合并进行诊断，发现模型在五个地理区块返回完全相同的 token 序列且置信度异常高的退化模式；在层级校准密度下重新合并后，该异常在诊断样本中消失。完整的抽取基准（包括 LoRA 微调）仅给出投影结果，未进行实测，留作后续工作。
点评: 本文将经济学的边际效用概念形式化为机器学习的特征选择准则，为 KV 缓存管理提供了理论依据，并在实际地质文档抽取任务中展示了显著的效率-精度平衡，值得在更广泛的 LLM 应用场景中进一步验证。