保形风险控制何时可以认证 LLM 输出？结构化生成的界限、不可能性和适应

为结构化生成（NER、JSON 提取、QA 和分类）部署的 大语言模型 (LLM) 缺乏正式的可靠性保证，并且标准启发式弃权策略在 7.5--12.5% 的设置上违反了用户指定的风险目标，并且没有每次部署保证。我们描述了保形风险控制 (CRC) 何时可以证明结构化 LLM 输出以及何时不能证明。首先，我们证明了一个锐化的、已达到的可行性边界：当基本风险 μ 超过目标 α 时，任何无分布方法都必须放弃至少 (μ-α)/(M-α) 的输入，从而产生一个封闭形式的可行性测试，在运行之前决定 CRC 是否可以工作。其次，我们建立了一个跨 Hoeffding、经验 Bernstein 和基于投注的 e-CRC 界限的经过验证的认证阶段图，验证了 716 种配置（六个开放权重模型 3B--72B、八个数据集、六个分数）：在严格目标 (α<= 0.20) 下，认证集是嵌套的（51/72/80 已认证；Hoeffding-to-Bernstein 最大升级，+41%；e-CRC 校准效果最佳稀缺性），而在宽松的目标下，Hoeffding-Bernstein 指令在封闭形式边界处反转。第三，我们展示了负偏移结果和建设性的对应结果：在跨数据集偏移下，静态 CRC 和每个测试的自适应共形推理 (ACI) 步长在 16 次传输中的 14 次中违反了目标，但全反馈随时有效的监视器证明了 16 次传输中的 0 次，同时保持非空值。将目标放宽至 α= 0.40 可解锁实用认证（28% NER、13% QA、19% CLS）。该框架给出了一个三步部署方案：检查可行性，选择边界和评分，然后在班次下重新检查。