arXiv 2026年10月5日作者提出 Split Label-Localized Conformal Prediction（SLLCP），一种作用于冻结视觉语言模型之上的事后校准层，把不可靠的预测转化为概率校准的安全预测集，并在交换性假设下给出标签条件有限样本无分布覆盖保证；在来自未见场景的 15k 条 CARLA 轨迹上，SLLCP 以 Qwen 为骨干正确标记 89.6% 的致碰撞轨迹、以 Cosmos 为骨干标记 88.4%，而基础视觉语言模型分别只标记 4.6% 和 39.1%。作者提出 Split Label-Localized Conformal Prediction（SLLCP），一种作用于冻结视觉语言模型之上的事后校准层，把不可靠的预测转化为概率校准的安全预测集，并在交换性假设下给出标签条件有限样本无分布覆盖保证；在来自未见场景的 15k 条 CARLA 轨迹上，SLLCP 以 Qwen 为骨干正确标记 89.6% 的致碰撞轨迹、以 Cosmos 为骨干标记 88.4%，而基础视觉语言模型分别只标记 4.6% 和 39.1%。SLLCP 将冻结视觉语言模型的安全预测校准为预测集，在 15k CARLA 轨迹上把碰撞轨迹识别率从 4.6% 和 39.1% 提升到 89.6% 和 88.4%作者提出 Split Label-Localized Conformal Prediction（SLLCP），一种作用于冻结视觉语言模型之上的事后校准层，把不可靠的预测转化为概率校准的安全预测集，并在交换性假设下给出标签条件有限样本无分布覆盖保证；在来自未见场景的 15k 条 CARLA 轨迹上，SLLCP 以 Qwen 为骨干正确标记 89.6% 的致碰撞轨迹、以 Cosmos 为骨干标记 88.4%，而基础视觉语言模型分别只标记 4.6% 和 39.1%。作者提出 Split Label-Localized Conformal Prediction（SLLCP），一种作用于冻结视觉语言模型之上的事后校准层，把不可靠的预测转化为概率校准的安全预测集，并在交换性假设下给出标签条件有限样本无分布覆盖保证；在来自未见场景的 15k 条 CARLA 轨迹上，SLLCP 以 Qwen 为骨干正确标记 89.6% 的致碰撞轨迹、以 Cosmos 为骨干标记 88.4%，而基础视觉语言模型分别只标记 4.6% 和 39.1%。