VeriHarness提升长程任务验证与修订

VeriHarness 在固定基础模型、测试时没有参考答案或评分标准的条件下，把生成器使用的 LLM 转成带工作区、证据工具和可复用验证技能的智能体验证器，用于长程任务输出的选择与修订。论文在五个长程工作区基准和两个前沿模型上测试，称其选择得分高于已评估基线；加入证据支持的修订后，相比单次 rollout，Gemini 3.5 Flash 平均提升 6.2 分，Claude Opus 4.8 平均提升 6.4 分。 方法上的关键判断是：多次采样产生的分歧常能暴露正确替代项，而共识可能掩盖错误。因此系统不是简单投票，而是设置两个角色：disagreement resolver 用环境证据检查竞争声明，consensus challenger 测试共同声明并寻找遗漏要求；验证结果再指导最终产物的选择和修订。论文还称验证技能可以从失败反馈中自我改进，并公开约 26,000 条跨五个基准、两个模型的 rollout，称生成成本超过 $100,000。 事实是论文报告了选择得分、修订增益、模型名称、基准数量和公开数据规模。推断是这套设计把验证从静态评分转向可调用证据的工作流，可能更适合长程任务的错误定位。猜测是其收益是否能在更多模型、任务和真实生产环境中保持，仍需看外部复现。