G1停顿预测模型基于衰减均值动态加权历史GC数据，新均值=α×当前观测值+(1−α)×旧均值（α通常0.7–0.95）；回收收益为可回收空间÷预期耗时，按此排序选择Region构成CSet以逼近MaxGCPauseMillis目标。
G1 的停顿预测模型不是靠静态规则，而是靠持续观察和动态加权——它用衰减均值（Decaying Average）把历史 GC 行为“翻译”成对下一次回收的精准预估。核心不是记住所有数据，而是让最近的表现说了算。
衰减均值怎么算？不是简单平均G1 对每个 Region 的回收耗时、扫描对象数、复制数据量等关键指标，都维护一个衰减均值。公式本质是：新均值 = α × 当前观测值 + (1 − α) × 旧均值其中 α 是衰减因子（通常取 0.7–0.95），数值越大，越看重最新一次实测结果；越小，则历史数据影响越持久。比如某 Region 上次回收花了 8ms，之前均值是 6ms，α=0.8，那新均值就是 0.8×8 + 0.2×6 = 7.6ms。它天然淡化了上周那次异常慢的 20ms 回收，避免被偶然抖动带偏。
回收收益不是只看“能清多少”，而是看“性价比”
单个 Region 的预期回收收益（Value）由两部分共同决定：可回收空间（Reclaimed Memory）
：Region 总大小减去当前存活对象大小，这个值来自并发标记阶段的精确统计预期回收耗时（Predicted Cost）
：不是固定值，而是基于该 Region 历史扫描/复制时间的衰减均值，并结合当前存活对象分布密度做微调最终排序用的 Value ≈ 可回收空间 ÷ 预期耗时。所以一个“垃圾多但对象散乱”的 Region，可能比一个“垃圾略少但对象高度集中、复制极快”的 Region 排名更低——G1 要的是单位时间换来的最大空间释放。
预测模型如何落地到混合 GC 的决策中在混合 GC 触发前，G1 已经完成并发标记，拿到了所有老年代 Region 的存活数据。此时它会：遍历每个待评估的老年代 Region，查出它的历史衰减均值（耗时、扫描量等）
结合本次标记得到的存活大小，算出本次可回收空间代入公式得出预期收益分，并按分从高到低排序按 MaxGCPauseMillis 目标，从顶部开始累加 Region，直到预计总耗时逼近目标上限——这些 Region 就组成本次的 Collection Set（CSet）
整个过程不依赖人工调参，也不假设堆行为恒定。用户只设一个停顿目标，G1 就自动用衰减均值滚动校准，让每次混合 GC 都尽可能贴近承诺的毫秒级响应。