几种可执行模型的修复能够匹配相同观测，却会产生不同的执行结果。我们研究一种修复‑执行接口，保留所有兼容的有限守卫修复，根据诊断观测和普通执行观测为它们加权，并利用预测结果来选择执行路径、付费测试或备份方案。
在 24 个合成的两阶段设备上，使用语言模型生成的修复与对兼容修复的均匀信念的等比例混合（称为 AI 加权信念）相比，直接采用生成修复可将无测试成本降低 2.14%。
访问费用会在孤立任务中抹去诊断的收益，而在重复工作情境下，AI 加权信念能够恢复该收益。
在每个重复工作臂中加入普通执行学习，工作负载感知的测试在相同预算下的随机选择成本降低 3.33%（AI 加权信念下）。
加权方式的比较显示，均匀普通学习的总成本比 AI 加权普通学习低 540.75，且置信区间不含零。测试可以缩小这一差距，但均匀普通学习仍保持比工作负载感知选择更低的整体成本。
在均匀信念下，信息增益选择的总成本最低，而工作负载感知测试的成本高于普通学习。
这些实验结果支持在生成修复之外保留备选修复，并在评估诊断选择时同时考虑修复加权和执行学习。
点评