Research & Benchmarks/2026-10-20/16 min知道何时停下：按精度给大语言模型评测停采样英国 AI Security Institute 的 optstop 把评测当成序贯测量：可信区间够窄就停。200 题、每题 10 回合的九格实验里，它去掉计划试验的 57.2% 到 97.3%，完整跑与截断估计的平均绝对差为 0.006。合并后的截断效应是 +0.0003，97% 最高密度区间落在 ±0.02 的实际等价区域内。
