随着大模型在认知密集任务上达到甚至超越人类专家的水平，如何对这些系统进行准确的监督变得尤为紧迫。AI 辩论是一种利用两位强大 AI 互相对抗，将复杂问题拆解为易于直接评判的子命题的思路。已有理论工作把这种直觉形式化为计算复杂度框架，目标是设计辩论协议（即游戏规则），在有限的人类监督下对复杂问题的解答提供严格的正确性保证。
目前最好的协议能够处理所有具备足够稳定的子问题分解的问题。本文提出了一种新的协议，在同一类问题上实现了多项改进：
- 正确性从平均情况提升到最坏情况，即无论对手如何策略，协议仍能保证判定正确。
- 对两位辩手而言，诚实且正确的策略成为占优策略均衡（dominant‑strategy equilibrium），而不是仅在领袖‑追随者结构下成立的 Stackelberg 均衡。
- 通过黑盒下界证明，所提协议在实例层面上是最优的：在仅使用对人类判断的黑盒查询时，没有任何协议能够在同类问题上取得更好的表现。
技术上，本文将稳定问题分解与查询复杂度中的分数块敏感度（fractional block sensitivity）联系起来，记作 $\operatorname{fbs}(f)$，并利用该概念构造协议的查询上限与下界，从而得到实例最优性。
点评：该工作在理论上巩固了 AI 辩论的可靠性，尤其是通过最坏情况保证和占优策略，使得实际部署时对人类监督的依赖更可预测，同时提供了黑盒最优性的强力证据，为后续算法设计提供了清晰的基准。