大模型◆ AI 生成 · 已溯源
可移除缺陷:刻意缺陷的经济学与边界

结论前置 / TL;DR
论文 arXiv:2607.11983v1 提出将模型能力缺陷(如感知粗粒度)视为可编程设计变量:在多数场景下保留缺陷以降低成本,仅在罕见高风险情形下通过补偿通道(如专用检测器)动态移除;其经济合理性由 Ehrlich-Becker 框架建模,可移除性取决于检测器是否落在缺陷结构之外——缺陷内检测器零溢价且导致长期负增长,缺陷外检测器可获正溢价。
核心主张:缺陷作为可控设计变量
论文 arXiv:2607.11983v1 颠覆传统‘缺陷必须最小化’范式,提出‘可移除缺陷(Removable Defects)’概念:将特定能力缺失(如 LLM 的细粒度推理盲区、多模态模型的跨模态对齐缺口)显式建模为可配置设计参数,而非待消除的 bug。该缺陷被保留于主路径以节省计算/训练成本,并在极少数致命场景下,通过路由至补偿通道(compensation channel)即时激活高精度子系统予以覆盖。
经济可行性条件:Ehrlich-Becker 框架迁移应用
- 将经典 Ehrlich-Becker 市场保险 vs 自我保险权衡,迁移至能力缺口(competence gap)建模:缺陷相当于‘自我保险’策略,补偿通道相当于‘市场保险’;
- 检测器(detector)被建模为 Townsend 式高成本状态验证(costly-state-verification)技术,其部署成本与误判代价共同决定是否启用补偿;
- 在结构化不确定性类(如严重性有上界、漏检率 O(1/L))下,存在明确优势条件(advantage condition),使保留缺陷成为可计算的最优经济决策。
可移除性的双向刻画:耦合引理与边界定理
- 耦合引理(Coupling Lemma):若缺陷本质是感知粗化(coarsening of perception),则任何切换机制(switch)均无法解耦收益与危害——即无法在不牺牲正常性能前提下精准触发补偿;
- 反向结论:缺陷结构内的检测器获得零风险溢价(zero premium),且任何强制要求正溢价的缺陷内策略,在乘性动力学(multiplicative dynamics)下必然导致长期负增长;
- 可实现性结论:位于缺陷结构之外的检测器可稳定获得正风险溢价,构成可移除性的充分条件。
来源溯源(合规留痕)
https://arxiv.org/abs/2607.11983