VeriHarness 將基礎模型變成用於長週期智能體任務的驗證器

Google 論文 VeriHarness 將同一個基礎模型變成承擔兩項工作的智能體驗證器。一項透過檢查工作區證據，解決抽樣智能體 rollout 之間存在分歧的主張。另一項質疑所有 rollout 都同意的主張，並尋找它們共同遺漏的要求。論文稱，一致可能掩蓋共同錯誤，而分歧往往指向正確選項。

在五個長週期基準上，論文報告了所測試基線中的最佳選擇分數。透過有證據支持的修訂，它在 Gemini 3.5 Flash 上較單次 rollout 增加 6.2 分，在 Claude Opus 4.8 上增加 6.4 分。作者亦發布約 26,000 次 rollout。論文發布於 arXiv。