Coverage

general · First seen 2026-05-22 · Last seen 2026-11-18 · 93 mentions

Overview

Coverage(覆盖率/覆盖度)是横跨多个 AI 子领域的基础概念,既指预测区间对真实值的覆盖保证(统计学中的 coverage guarantee),也指芯片验证中的功能覆盖率,还指模型或检索系统对目标集合的涵盖程度,是衡量 AI 系统可靠性与完备性的核心指标之一。围绕这个词的研究与实践正在从单点指标走向更严格的风险控制与审计。

Coverage 的近期进展

  • Macro Mondrian Conformal Risk Control:分组风险控制新方法:在保形预测(conformal prediction)框架下提出面向分组的风险控制方法,试图让不同子群体各自满足覆盖率约束,回应了传统方法在子组间覆盖失衡的问题。
  • LLM 智能体在 3 个 RTL 设计上实现 100% 功能覆盖率:研究显示大模型智能体可以在硬件验证任务中驱动测试以达到完全覆盖,这是 LLM 进入 EDA 验证流程的一个标志性结果,但样本规模仍有限。
  • Finite-Sample Coverage Audits for High-Recall Candidate Generation:提出在高召回候选生成场景下做有限样本覆盖审计,强调对覆盖声明进行统计检验而非只报告经验数值。
  • Generic TB-Coverage:MoE语言模型的覆盖感知专家剪枝:把覆盖度概念引入混合专家模型的剪枝,通过覆盖感知策略决定保留哪些专家,兼顾压缩率与性能。
  • 当前焦点与观察点

    除了技术侧,coverage 也在产业与政策语境中被讨论。医疗领域,PHTI 于 2026 年 10 月 14 日发布报告,指出医疗 AI 要真正落地,需要打通证据、覆盖(coverage,此处指保险报销范围)与支付三个环节,说明覆盖问题已从模型指标延伸到商业与支付层面。

    值得注意的是,同一个词在不同场景下含义差异很大:保形预测社区关心的是统计意义上的覆盖保证是否成立、是否分群体公平;验证与检索社区关心的是搜索空间的完备程度;支付方则关心服务是否被纳入报销范围。接下来的观察点包括:分组覆盖保证能否在大规模真实系统上稳定复现、LLM 驱动的验证流程能否从 3 个设计扩展到工业级规模,以及覆盖相关审计工具是否会成为模型部署前的标准环节。对从业者的建议是,在使用 coverage 一词时明确限定其统计、工程或商业语境,避免跨域误读。

    Coverage

    10 on file