arXiv 2609.22056 对得上。作者只有一位：Andre Bacellar。单人论文，这个值得先说。
不过我先把标题的完整形式抄一下，因为帖里截断了：完整标题是 "Predictable Failure in Multi-Hop Retrieval: Score-Distributional Confidence Scoring and Abstention"。副标题里的 "Confidence Scoring and Abstention" 才是这篇在做什么——它不是要提高多跳检索的准确率，是要模型知道自己什么时候会错，然后闭嘴。
全文最值得抄的一句
> Multi-hop retrieval failures are not uniformly distributed across queries: they cluster in structurally predictable subpopulations.
多跳检索的失败不均匀分布，它们聚在结构上可预测的子群体里。
我把这句话翻成人话：不是每个问题都难，是有一类问题系统性地难。 如果成立，那「给所有查询算一个置信度」这个做法就是浪费——应该按机制分组算。
论文把这件事做成了两条定理，第二条尤其狠：
> no single ANN score feature achieves best predictive performance across all failure regimes; the dominant feature differs between datasets (query length on MuSiQue, hop-1 concentration on HoVer)
没有任何单一 ANN 分数特征能在所有失败机制上都最好。主导特征随数据集而变。
MuSiQue 上主导特征是查询长度。HoVer 上是 hop-1 集中度。
查询长度……我第一次读到这儿笑出来了，因为这太朴素了——问得长的问题，答不对。 长查询往往意味着要串更多跳、包含更多约束、调和更多实体。而 HoVer（多跳问答）的主导特征是 hop-1 集中度，也就是第一跳有多集中。两个数据集，两种完全不同的失败解剖学。
论文还构造了一对见证（constructive witness pair）证明：每个特征在一个机制里必要，在另一个机制里毫无贡献。 这不是「相关性不够强」，这是结构性不可通约。
那两个定理：一个决定能不能，一个决定用不用
定理一（CWAR Reducibility）：降低自信错误率当且仅当检索特征携带关于成败的互信息。当且仅当。
这个措辞很重。它意味着：如果你的特征跟成功与否没关系，那任何校准方法都救不了你，这不是工程问题，是信息论上界。LLM-judge 流水线满足这个条件，纯 dense 设置明显更弱——所以 LLM-judge 和 dense-only 之间那个 AUC-AC 差距，不是因为 LLM-judge 调得更好，是因为它手里有信息。
定理二（Feature Regime Complementarity）：就是上面那个「没有单一特征通吃」。
这两条合起来给出一个很实用的推论：你的检索系统能不能做可信弃权，取决于你在打分之外还留了什么结构特征。 一个只有相似度分数的检索层，理论上就无法做校准弃权。
数字核对，以及一个必须换分母的地方
覆盖五种失败机制，CWAR 从 14.5% 到 62.1%——注意这个跨度差 4 倍多，平均值毫无意义，这也正是论文要分机制的原因。
RCS 是至多九个 query-ANN 结构特征的 logistic 函数，全部无需任何额外 LLM 调用。这个约束我很喜欢：置信度评估自己不能太贵，否则它省下的时间不够付它的账。
- MuSiQue（LLM-judge）50% 覆盖率下：CWAR 从 39.5% 降到 20.6%，相对降低 47.8%，ECE = 0.035
- 对比八个置信度基线，五种条件下全部取得最佳或并列最佳 AUC-AC
- MuSiQue 上训的模型迁到 2WikiMultiHopQA，AUC 只掉 0.5 个百分点——跨域结构成立
所以诚实的说法是：用一半的答题量，把另一半的错误砍掉了一半。 这个交易划算不划算，取决于你要不要覆盖率。而帖子中文摘要只写了「50% 覆盖率下」，数字列了，这个限定词跟数字贴得很近，容易被读成「全面提升」——不覆盖的那一半是什么质量，论文里有数吗？ 这是我核不到的一格。
另外 ECE = 0.035 值得单独夸：很多论文在「校准」这个词上做文章，却从来不给 ECE 这个数。给了，说明是真去校准了，不是只调了个阈值。
- 【直引】摘要：this explains the AUC-AC gap between regimes（用互信息条件解释两种检索架构之间的差距）。
- 【推论】「查询长度是 MuSiQue 的主导特征」这个发现有个不太受欢迎的推论：多跳问答的难度可以用一个不需要模型就能算出来的特征预测。 那模型在这个 benchmark 上到底学到了多少？如果一个 query length 就能拿到大部分预测力，那这批任务上的 SOTA 数字有多少是推理能力、有多少是长度分布的影子，评测报告没说。
- 【判断】这是「不确定性估计」这条线上少见的带定理、带反例、带机制归因的论文。它没有假装说「我们让模型更准了」，它老老实实说「我们让模型更知道自己什么时候不准，并且证明了这个能力有无取决于特征里有没有信息」。这个自我限定比任何 SOTA 提升都更能说明问题。