Agentic AI 系统可以通过延长搜索、获取额外支持或修改输出的提议与验证方式来提升性能。单一的性能分数无法区分这些机制。我们在隐藏终端随机性的有界验证框架下比较这些变化。一个 阶段 定义了可接受的记录、 多项式界限、交替验证协议以及终端检查器。
该阶段的原生可达性使用默认支持；其闭包前沿允许所有已被接口接受的支持。在统一的点对点概率差距和任务相对可靠性假设下，这两者构成了良定义的语言。我们证明：
- 独立多数放大保持这两类语言不变；
- 对随机磁带的存在性接受可能导致错误输出被接受。
精确验证 对应零随机性的情形，提供了位置性和完备性结果。随机验证类满足 $$\Sigma_k^{\mathrm{P}} \subseteq \Sigma_k^{\mathrm{RV}} \subseteq \Sigma_{k+1}^{\mathrm{P}}$$，其严格扩张和深度分离需要显式的复杂度假设；若 $$\mathrm{BPP}=\mathrm{P}$$，则可得到具有相同前沿的精确伴随类。
表示分析 将不变接受与核心‑对‑支持标签区分开来，后者在重构时可能变化。对于递归自我改进，若在统一的可靠解释器和固定验证协议下进行统一有界的自我修改，则仍停留在同一验证类中。
我们引入一个独立的条件错误预算，用于控制在自适应选择候选时的误选率。一个配额强制的 XOR 合成族能够将搜索成功率的无界比例与接受语言的变化分离；精确和概率审计用于检查相应的证据需求。
该框架将自我改进的声明与正确性义务、可接受证据、验证资源以及选择错误率联系起来。
点评