Conformal prediction（共形预测）是一类以分布无关方式为任意机器学习模型输出提供统计覆盖保证的不确定性量化框架，只需一个校准集即可在有限样本下保证预测区间或集合以预设概率覆盖真值。它不依赖模型结构假设，可与深度学习、大模型等黑箱方法即插即用地结合，近年来从统计理论领域扩展到自动驾驶、机器人决策、多智能体评估等应用场景，成为可信 AI 的核心技术之一。
共形预测近期进展
理论侧，超越边际有效性：局部化共形预测的有限样本保证针对经典方法只保证边际覆盖、忽略个体差异的问题，提出局部化方案并给出有限样本条件覆盖保证，回应了该框架最常被讨论的局限。另一项工作在共形预测集合大小可作为信息增益度量的理论证明中论证了预测集合大小与信息增益之间的理论联系，为把共形输出用于主动学习等下游任务提供了依据。
应用侧的扩展相当分散：X-TRACK 引入不确定性建模，改进高速公路轨迹预测把不确定性建模用于高速公路多车轨迹预测；View-Structured Conformal Prediction for 3D Gaussian Splatting将区间输出引入 3D 重建场景；ENCP: Episode-Normalized Conformal Prediction for Vision-and-Language Navigation则处理导航任务中回合长度不均导致的校准偏移问题。
在决策与评估类任务中，TGDT：用预测误差筛选可信上下文，改进 Decision Transformer 长序列表现借助预测误差筛选上下文，而多智能体 LLM 评估的稳健共识方法把类似的统计聚合思路用于大模型多智能体评估。此外，ART 人工代表树结合 CPS让单棵可解释树输出预测区间与超越概率，兼顾了可解释性与覆盖保证。
当前焦点与观察点
目前围绕共形预测的讨论集中在三个方向：一是从边际覆盖走向条件覆盖或局部化覆盖，解决不同子群体区间宽窄不一的公平性问题；二是与顺序决策、在线学习结合，处理分布漂移下的自适应校准，Risk-Averse Decision Making with Multi-Level Reliability Guarantees即属于这类带多级可靠性保证的尝试；三是与大模型和生成式任务（评估、导航、3D 生成）的适配，因为传统校准假设在自由文本或多模态输出上并不直接成立。
值得观察的是，该领域的综述性工作如面向可信深度学习的不确定性量化方法与度量正在把共形方法与其他不确定性量化路线放在同一框架下比较。整体来看，共形预测已从“理论优美但落地有限”走向与具体应用深度耦合的阶段，但条件覆盖、计算开销和校准集依赖仍是工程化中的主要争议点。