比较几个模型，就像让几位选手轮流做“没见过的题”：每次藏起一条数据，看谁预测得更准。传统贝叶斯留一交叉验证（LOO）主要依靠候选模型自己的后验预测分布——也就是把参数的不确定性一并算进去的一组可能结果。Montcho 和 Filippone 提出的 Predictive-Context LOO（PC-LOO），则把外部的预训练预测器请进了考场。
它最巧的一步，是先用完整数据拟合贝叶斯模型一次，再从模型的后验预测中生成合成数据，把这些数据当作“上下文”交给外部预测器，由它估计每条被留出观测的预测概率。论文证明，在理想条件下，只要上下文来自对应的留一后验，并使用匹配的贝叶斯预测器，对多组上下文的结果取平均，就能精确还原原本的 LOO 预测；而且任意固定大小的上下文子集都成立，数据集规模不必受预测器上下文容量限制。
实际版本会用完整后验代替留一后验，并用预训练模型代替理想预测器，因此误差主要来自“删掉一条数据有多大影响”和“外部预测器是否兼容”两处。作者用 TabICL 的实验指出，前一种影响会随数据增多而减弱，后一种却可能继续成为瓶颈。值得注意的是，模型排名取决于候选模型之间的误差差值，而非各自误差的绝对大小；这让 PC-LOO 即使没有逐点精确，也仍可能保住比较结果。