当半参数模型中的参数在零点下不可识别时，我们考虑假设的检验，其中轮廓似然理论的正则性条件失败。构造了基于综合剖面似然的指数平均检验，证明了在加权平均功率准则下，相对于模型不可识别方面的先验，该检验是渐近最优的。这些结果扩展了参数模型的现有结果，与我们的结果相比，参数模型涉及对备选方案形式的更多限制性假设。此外，拟议的测试适用于具有无限维干扰参数的模型，这些参数可能无法识别，也可能无法以通常的参数率进行估计。示例包括使用当前状态数据测试Cox模型中是否存在变化点，以及使用右删失数据测试奇数率模型中的回归参数。之前还没有针对这些场景研究过最佳测试。我们研究了在零、固定邻接方案和随机邻接方案下所提出的检验的渐近分布。我们还提出了一种加权引导程序，用于计算测试统计的临界值。最佳测试在模拟研究中表现良好，与替代测试相比，它们可能表现出更强的能力。