模拟器能跑但似然算不出：给参数造一条随时可停的置信序列，神经比分逼近精确似然比

对似然无法计算的模型，参数的不确定性现在可以给出在连续监测和任意停时下仍然成立的置信序列，而不只是预先定好样本量的置信区间。 此前的无似然频率派做法主要构造并校准固定样本的检验或置信区域，要得到时间一致保证需要另一种序列化构造；似然可得时可以用似然比检验鞅反演，但隐式模型里比值算不出来，直接代入神经估计一般会破坏鞅性质。 在合成基准上，神经得分给出的置信序列与共形化似然比的序列接近；在 LLM API 模型路由的半合成审计和 OGLE-IV 微引力透镜的初始质量函数推断中，神经得分序列与针对具体应用的得分表现相当。

做法是给每个候选参数生成一批新的模拟参照，用同一个只依赖过去信息的正得分去比较观测与参照，归一化后得到条件 e 值，再把各时刻的因子连乘成检验鞅并反演成参数集合。 归一化得分共形 e 值此前已有构造，SLICE 把它与每个候选零假设下的直接模拟、可预测的备择参数以及摊销神经比值得分结合起来，用于序列化的无似然参数推断。 得分用 NRE-C 目标训练的似然对证据网络近似，训练在监测开始前用独立模拟完成并随后固定；实验覆盖高斯与 g-and-k 位置模型、五参数 SLCP 基准、LLM API 审计和微引力透镜数据。

方法面向似然不可解但可模拟的模型，参数在有限候选网格上评估，覆盖保证针对网格上的真值；每次观测需要为每个候选参数抽取新的参照模拟。演示范围包括高斯与 g-and-k 位置模型、SLCP 基准、使用真实模型回复的 LLM API 模型替换半合成审计，以及基于 OGLE-IV 微引力透镜事件对低质量恒星和褐矮星初始质量函数斜率的推断。微引力透镜实现中参照来自共享的模拟库，作者对该实现只做经验覆盖评估，未建立精确的时间一致保证。

有效性对任何正的可预测得分和任意参照批量都成立，但得分质量决定证据积累速度，有限参照批量会限制每步可获得的期望对数证据。SLCP 上共形化带来可见的效率代价，保留比例在只剩少数候选时趋于平缓；g-and-k 模型上把最小证据备择换成基于模型的滑动估计会明显加宽集合。微引力透镜中褐矮星斜率的高值端难以排除，因为短事件在低采样率视场中很少被探测到。