我们在密度估计的背景下考虑模型选择类型聚合问题。我们首先证明了经验风险最小化对于这个问题是次优的，并且它与指数权重集合、字典函数凸壳上的经验风险最小化以及所有选择器都具有相同的性质。利用最近关于$Q$-聚合过程的工作所启发的惩罚，我们在简单的有界性假设下导出了偏差的一个尖锐的预言不等式，并证明了该速率在极大极小意义下是最优的。与基于指数权重的方法不同，该估计器在均匀先验下是完全自适应的。特别地，它的构造不依赖于未知密度的sup范数。通过提供指数尾数的下界，我们证明了尖锐预言不等式中出现的偏差项无法改进。