量表最高只记 100 分，真实的 105 和 130 分都会变成 100；检测仪器也常把超出量程的结果记在边界上。这样的“截断”（clipping）抹掉了边界外的信息。Sesia 与 Svetnik 研究发现，常规保形预测——用一批校准数据把模型误差换算成预测区间——遇到这类数据时，区间总体上甚至可能覆盖过多，却恰好在结果通常能完整观测、较容易预测的样本上覆盖不足。
问题出在校准时如何计算“错得多远”。论文提出 ClipCQR，重新设计非一致性分数——衡量观测结果与模型预测有多不相称的刻度。关键一招是：当预测区间伸进不可观测区域时，不再把截断后的边界值当成真实结果硬算误差，而是按仍然可能存在的边界外结果来计分。作者证明，在样本可交换等条件下，它能把总体覆盖率收紧到目标附近，并且区间总是不宽于直接扩展常规方法所得的区间。
但截断带来一个无法假装不存在的取舍：总体样本合计达标的“边际覆盖率”，可能掩盖特定人群失准的“条件覆盖率”。因此论文还提出分两步校准的 ClipCQR+，优先照顾后者。换句话说，这项工作的价值不只是修正区间宽度，也提醒使用者：数据被封顶或托底后，只看总体覆盖率可能会看错安全感。