AI 系统越来越多地声称能够优化提示、策略、架构、计划、工具使用轨迹、推理链路以及测试时计算。本文指出，若不明确系统实际能够到达的搜索区域，这类声明是缺乏定义的。我们提出可达性诱导优化（RIO）模型，其中生成器、验证器、控制器、记忆、工具和预算共同决定一个可达候选区域。返回的解可以是已访问的最佳点、近似的可达最优，或在额外证书将可达区域与完整形式空间关联时才是严格的全局最优。我们证明了可达最优性、伪全局性、间隙分解、证书、逃逸、剪枝和控制值等性质。完整基准记录包含 66,150 次实验，覆盖六类已知最优景观、七种控制策略、270 个景观以及每个景观‑方法组合的 35 次运行。在线附录提供原始实验记录、汇总表、图形、基准代码、验证脚本和校验和。实验结果表明，控制可以限制、扩展或误导可达性，优化质量、可达性质量和控制可靠性必须分别报告。
点评