# 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 使用同一個基礎模型，檢查有爭議與全體一致的智能體主張。透過有證據支持的修訂，它報告稱，相較單次 rollout，使用 Gemini 3.5 Flash 提升 6.2 分，使用 Claude Opus 4.8 提升 6.4 分。

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

HTML: https://didcodexreset.com/zh-hk/news/c9ab089d2ee04951aecf3339.html

Content language: zh-HK
Localization state: translated

來源：elvis · 發布於 4/10/2026 21:53:11

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](https://arxiv.org/abs/2610.00972)。

Tags: VeriHarness, Google, AI 智能體, Gemini, Claude

[查看主帖原文](https://x.com/omarsar0/status/2106700905051746803)
