你在模拟一家客服中心的等待时间。算得越久，平均等待时间通常越可信；但每多算一轮都要花钱。最实用的问题不是“固定跑一百万次会得到什么”，而是“结果已经准到这个程度了吗，可以停了吗”。麻烦在于，极端漫长的服务或前后相关的等待会让传统误差尺子失灵。Jose Blanchet、Peter Glynn 和 Wenhao Yang 的新论文尝试给这类模拟一套新的停机办法：不再要求某个方差估计先稳定成确定值，而是同时追踪估计结果与误差尺度如何随时间变化，再用一组较短的模拟校准真正停机时的置信区间。
以下结论均来自论文原文，目前只有这一项独立信源。论文没有报告有限样本下的覆盖率数字，也没有提供与既有方法的量化对比。
“够窄就停”，为什么没看起来那么简单？
随机模拟用大量随机样本估计难以直接计算的量。样本有限，答案就带有蒙特卡洛误差——也就是“换一批随机数，结果会浮动多少”。置信区间把这种不确定性画成一个范围。
固定宽度序贯停止会边算边看：置信区间一旦窄到预先规定的宽度，模拟就结束。它把“给定计算量，接受未知精度”倒过来，变成“给定精度，让计算量自行调整”。实际运行时还会设置最小样本量，避免早期估计不稳而过早停机。
经典理论通常依靠长期方差或标准误的强一致估计。强一致性是说，样本持续增加时，这把误差尺子几乎必然靠近真实值。尺子稳定后，经过归一化的停机时间也趋向一个确定值。于是，人们可以把固定样本量下的统计结论搬到停机那一刻。
但遇到重尾或长程依赖，这条桥可能断掉。重尾意味着极端值出现得不算罕见，方差甚至可能无限；长程依赖则意味着相隔很远的输出仍持续相关。此时，常见的平方根缩放和高斯近似可能失效，误差尺度本身也可能一直保留随机性。停机时间因此不再趋向一个固定常数，而会与估计过程共同波动。
这带来一个容易忽略的陷阱：某种自归一化统计量或子采样分位数，在预先固定的第 步有效，并不代表在“看到数据后决定”的停机时刻仍有正确覆盖率。因为停止规则和最终区间使用的是同一批数据，二者并不独立。
它换了一种看停机的角度
论文的核心是一套联合泛函极限定理框架。泛函极限定理不只研究某一个样本量上的结果，而是研究整段随时间演化的随机轨迹。这里被同时放进框架的有两条轨迹：一条是累计估计过程，另一条是数据驱动的尺度过程，也就是不断更新的误差尺子。
关键不在于强迫第二条轨迹稳定成一个确定方差，而在于描述两条轨迹如何一起收敛。这样，研究者就能直接刻画随机停机时间，以及停机瞬间的自归一化估计量。自归一化可以理解为让数据自身提供尺度，把估计误差除以同一批数据形成的波动量，从而消去共同的未知缩放。
论文据此给出经典有限方差和无限方差情形下渐近有效的序贯置信区间。“渐近有效”只表示目标精度越来越严格、运行长度相应增长时，覆盖率趋近标称水平；它不是对一次有限长度模拟的保证。
框架还处理了误差尺子选错量级的问题。经验平方和可在部分有限方差和无限方差场景中使用；当相关性使它与估计误差处于不同尺度时，论文改用独立分段、批均值或随机缩放构造尺度过程，并通过时间平均让尺度轨迹更平滑。三种办法分别对应多条独立模拟流、把一条轨迹切成若干段，以及利用单条轨迹内部的居中波动。
子采样也必须跟着“学会停”
普通子采样会从完整数据或长序列中反复取较短片段，用片段间的波动近似整体不确定性。它能绕开难写、难估的极限分布，却通常校准的是固定样本量上的统计量。
论文提出的序贯子采样更进一步：主模拟运行时，同时启动一系列更短、相互独立的局部停机实验。每个局部实验也按固定宽度规则自行结束。系统收集这些实验在各自停机时刻的统计量，用其经验分布估计主模拟停机时真正需要的分位数，并在局部实验完成后持续更新校准结果。
这一步的妙处是，校准对象与实际问题一致：它不再拿“固定时刻的波动”代替“随机停机时的波动”。论文证明，在给定的连续性、独立性和正则条件下，这个经验分布能一致估计所需的停机分布，而且无需直接估计极限分布中的尾指数、Hurst 参数或慢变函数等干扰参数。这里的“一致估计”仍是渐近结论，不等于每次实际模拟都会估得准确。
为什么值得关注？
这项工作的价值，不是宣称所有模拟都能更早停止，而是扩大了“按精度自动停机”可以被严谨分析的范围。过去那条常用路线要求误差尺子先稳定；新框架允许尺度和停机时间保留非退化随机性，再直接处理二者与估计过程的依赖关系。
论文把同一思路验证在三类模型中：重尾移动平均过程、随机逼近，以及服务时间重尾的 M/G/1 单服务器队列。随机逼近是根据带噪反馈逐步修正答案的算法；M/G/1 队列则描述泊松到达、一般服务时间和单个服务台组成的排队系统。在后一个例子里，一次极长服务可能同时制造很高、很久的工作量峰值，使累计等待时间与经验平方和落在不同随机尺度上。这正说明，简单套用传统方差尺子为什么不够。
局限与未知
- “摆脱强一致性”应作窄义理解：论文避开了经典理论对渐近方差强一致估计的典型依赖，并避免直接估计若干干扰参数；原文没有证明所有条件下都不需要任何强一致性假设。
- 论文给出了理论验证，却未披露三类场景中的具体覆盖率、误差、计算开销或相对基线提升，无法判断有限样本表现和额外局部模拟的实际成本。
- 材料未提供代码仓库、官方实现或第三方复现，工程可用性仍待验证。