像老师说“全班九成及格”，并不代表每个小组都学得一样好。共形预测也有类似问题：它用校准数据为预测划出一个集合，并承诺真实答案长期约有九成落在其中。但把所有样本合起来达标，可能掩盖困难区域的欠覆盖。
SimplexUQ专门检查这种“苦乐不均”。它面向单纯形值预测——多个非负分量、总和为1的向量，例如分类概率或细胞类型比例。研究没有提出新算法，而是固定预测器、评分方式和分组规则，只替换不同的共形校准方案，在12项任务上比较总体覆盖率、最差分组覆盖率和组间差距。
最直观的结果来自CIFAR-10：统一阈值的总体覆盖率为0.900，最差熵分组却只有0.542；按分组分别校准的Mondrian方法把后者提高到0.886，并将最大差距从0.358降至0.022。不过作者也发现，没有一种方案在所有任务和评估方式下都占优。这些是经验比较，不是新的覆盖保证；真正值得记住的是，总体数字漂亮，不等于每个区域都可靠。