给一半用户新功能、另一半旧功能，是 A/B 测试最常见的做法。但如果新功能每用一次都要调用付费 LLM，实验组显然更贵。此时继续五五分流，未必划算；简单地让“成本翻倍、流量减半”，也不一定是最优解。
Alejandro Alvarez Perez 提出的思路，是把每位用户带来的估计精度和入组成本放在一起算。流量分配——决定多少人进入实验组或对照组——既影响总支出，也影响结果中的噪声；最佳比例还取决于两组结果本身的波动。分流不均后，可以用逆概率加权，也就是按用户入组概率的倒数校正样本，让比较仍对应目标人群。作者称，合理设计可节省约 5% 至 15% 的预算，同时维持所需精度。
这不是无条件的“免费午餐”：比例越悬殊，加权后的估计通常越不稳定，实际实验还受上线速度和业务激励约束。更准确的结论是，五五开只是方便的默认值；当折扣、返现或 AI 调用让两组单人成本明显不同时，值得先算一遍成本与精度的账。