arXiv cs.AI· Caiqi Zhang, Rujun Han, Zifeng Wang, Zoey CuiZhu, Nigel Collier, Tomas Pfister, Chen-Yu Lee·· 4 小时前AI 评分41
VeriHarness：为长时程任务扩展智能体验证
VeriHarness: Scaling Agentic Verification for Long-Horizon Tasks
AI 导读
VeriHarness 让生成答案的 LLM 充当智能体验证器，配备工作区、证据工具与可复用验证技能来核验长时程任务输出。在五个长时程工作区基准与两个前沿模型上，它的选择分数高于所评估基线，证据支撑的修订较单次 rollout 平均提升 6.2 分（Gemini 3.5 Flash）和 6.4 分（Claude Opus 4.8）。
来源：arXiv cs.AI · arxiv.org