# VeriHarness、ベースモデルを長期的なエージェントタスク向け検証器に変える

Google の論文 VeriHarness は、同じベースモデルを使って、争いのある主張と全会一致のエージェント主張の両方を検証する。証拠に基づく修正により、単一 rollout と比べて Gemini 3.5 Flash で 6.2 ポイント、Claude Opus 4.8 で 6.4 ポイントの改善を報告している。

Language: ja
Time zone: Asia/Tokyo
Current time (UTC, cached as of): 2026-11-22T13:22:00.000Z
Query date (Asia/Tokyo): 2026-11-22

HTML: https://didcodexreset.com/ja/news/c9ab089d2ee04951aecf3339.html

Content language: ja
Localization state: translated

出典：elvis · 2026/10/4 22:53:11 公開

Google の論文 VeriHarness は、同じベースモデルを 2 つの役割を担うエージェント型検証器に変える。1 つは、サンプリングされたエージェント rollout が一致しない主張を、ワークスペースの証拠を確認して解決する。もう 1 つは、すべての rollout が一致する主張に異議を唱え、それらがすべて見落とした要件を探す。論文は、一致が共通の誤りを隠すことがあり、不一致はしばしば正しい代替案を示すと述べている。

5 つの長期的ベンチマークで、論文はテストしたベースラインの中で最良の選択スコアを報告している。証拠に基づく修正により、Gemini 3.5 Flash では単一 rollout より 6.2 ポイント、Claude Opus 4.8 では 6.4 ポイント追加する。著者らは約 26,000 件の rollout も公開している。論文は [arXiv](https://arxiv.org/abs/2610.00972) にある。

Tags: VeriHarness, Google, AI エージェント, Gemini, Claude

[元の投稿を見る](https://x.com/omarsar0/status/2106700905051746803)
