一套 AI 拿到 82 分，合规门槛是 80 分，看起来已经过关。但换一批测试样本，分数可能变成 79。只报一个点估计——也就是用单个数字概括测试结果——会把这种摇摆藏起来。当可信度分数开始影响采购和合规声明，这个问题就不再只是统计细节。
Sokolov 等人给 SAFE AI 合规分补上了“不确定性层”。这套评分把准确性、可解释性和稳健性压成一个总分。关键在于，三项指标来自同一批测试数据，误差会一起变化，不能默认彼此独立。作者用配对 bootstrap——反复抽取同一组测试行，并在每次抽样中同时重算三项指标——估计它们之间的完整协方差，再生成联合置信区域和总分的置信区间。
最值得注意的结论是：忽略指标间关联，并不总会让结果显得更乐观。论文在真实与模拟数据中发现，独立性假设既可能缩窄，也可能放宽置信带，方向取决于汇总方式、模型和扰动类型。说白了，若区间跨过合规门槛，就不该把一次总分包装成稳固的“通过”或“不通过”；作者因此建议把这一区间记录进正式的不确定性证书。