本文提出了一种通过多重假设检验重新定义风险控制的框架，以校准机器学习模型，确保预测结果符合统计保证。引入的Pareto Testing方法结合多目标优化和统计检验，提升了NLP应用中Transformer模型的执行效率。同时，研究了风险控制分位数神经运算符，展示了其在不确定性量化中的优势，并提出了零样本自适应PTQ方法，实现低精度量化的高效性能。