# VeriHarness 将基础模型变为长周期智能体任务的验证器

Google 论文 VeriHarness 使用同一基础模型来检查有争议和全体一致的智能体主张。借助有证据支持的修订，它报告称，相比单次 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-CN
Time zone: Asia/Shanghai
Current time (UTC, cached as of): 2026-11-22T13:22:00.000Z
Query date (Asia/Shanghai): 2026-11-22

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

Content language: zh-CN
Localization state: translated

来源：elvis · 发布于 2026/10/4 21:53:11

Google 论文 VeriHarness 将同一基础模型变成承担两项工作的智能体验证器。一项通过检查工作区证据，解决采样智能体 rollout 之间存在分歧的主张。另一项质疑所有 rollout 都同意的主张，并寻找它们共同遗漏的要求。论文称，一致可能掩盖共同错误，而分歧往往指向正确选项。

在五个长周期基准上，论文报告了所测试基线中的最佳选择分数。借助有证据支持的修订，它在 Gemini 3.5 Flash 上比单次 rollout 增加 6.2 分，在 Claude Opus 4.8 上增加 6.4 分。作者还发布了约 26,000 次 rollout。论文发布在 [arXiv](https://arxiv.org/abs/2610.00972)。

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

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