多跳检索中的可预测失败：分数分布置信度评分和弃权

多跳检索失败在查询中的分布并不均匀：它们聚集在结构上可预测的子群中。我们证明了形式化该结构的两个结果。首先（CWAR 可归约性）：当且仅当检索特征携带有关成功的相互信息时，才可以实现置信失败减少，这是 LLM 判断管道满足的条件，但在仅密集设置中要弱得多，这解释了制度之间的 AUC-AC 差距。第二（特征体系互补性）：没有任何一个 ANN 评分特征能够在所有故障体系中实现最佳预测性能；数据集之间的主要特征有所不同（MuSiQue 上的查询长度，HoVer 上的 hop-1 集中度），并且建设性的见证对显示每个特征在一种制度中是必要的，而在另一种制度中是非贡献性的。我们在 RegimeAbstain 中实例化这些原则，它计算检索置信度分数 (RCS)，这是最多九个查询 ANN 结构特征的逻辑函数，所有这些特征都无需任何额外的 LLM 调用即可使用，并使用它来实施校准的弃权政策。我们定义了置信错误答案率 (CWAR) 指标，并评估了三个多跳基准（MuSiQue、2WikiMultiHopQA、HoVer）和两种检索架构（LLM 判断和仅密集），涵盖了 CWAR 从 14.5% 到 62.1% 的五种故障情况。 RCS 在所有五种条件下针对八个置信基线实现了最佳或并列最佳 AUC-AC。在 MuSiQue（LLM 法官）上，RCS 在 50% 覆盖率下将 CWAR 从 39.5% 降低到 20.6%（相对降低 47.8%），ECE=0.035。在 MuSiQue 上训练的模型转移到 2WikiMultiHopQA 时 AUC 损失仅为 -0.5pp，证实了政权特征的与领域无关的结构。