事件历史事件
研究：独立评审在智能体验证中权衡更优
先了解这件事
AI 综述
2026年10月26日发布的一项研究将验证作为测试时扩展的一个维度，在七个前沿编码模型上比较了17种验证设计。研究框架覆盖智能体生命周期的四层：初始指令、回合中提醒、完成门控与独立评审，并在 Terminal-Bench 与 SWE-bench Verified 上评测。结果显示，由独立评审者进行的独立评审在准确率与成本之间提供了更有利的权衡，在 Terminal-Bench 和 SWE-bench Verified 上的成本倍数分别为 1.13-1.25 倍和 1.00 倍。
AI 根据报道生成 · 16 天前更新
最新进展
重新思考智能体框架中的验证相关研究
这件事的论文
- 重新思考智能体框架中的验证
arXiv · 2026-10-25
后续时间线
11月3日
- 小红书小红书 刘东瑞 上海 AI Lab· 讨论重新思考Agent Harness中的验证（新标签页打开原帖）
10月27日
10月26日
- Hugging Face Daily Papers重新思考智能体框架中的验证
研究者将验证作为测试时扩展的一个维度，在七个前沿编码模型上比较 17 种验证设计，发现由独立评审者进行的独立评审在准确率与成本之间提供更有利的权衡。该框架覆盖智能体生命周期的四层，即初始指令、回合中提醒、完成门控与独立评审，并在 Terminal-Bench 与 SWE-bench Verified 上评测。在 Terminal-Bench 和 SWE-bench Verified 上，独立评审分别以 1.13-1.25 倍和 1.00-1.04 倍基线成本带来 5.9-9.5 和 3.9-6.6 个百分点的平均准确率提升；初始指令和执行时提醒仅带来幅度不大、依模型而异的提升且平均输出 token 用量没有大幅增加，完成门控提升更大但可能大幅增加成本。增加评审轮次或独立评审者可使 Terminal-Bench 平均准确率再提升最多 3.5 个百分点。
相关讨论
共2条
- 72 小时以前 · 不计入 72 小时的数字
- 小红书小红书 刘东瑞 上海 AI Lab重新思考Agent Harness中的验证（新标签页打开原帖）
- XX @dair_aiGreat paper from Alibaba and Cornell on verification in coding-agent harnesses.（新标签页打开原帖）
关注度走势
每天新增来源
- 11月3日新增1个来源（0家媒体、1个账号）
- 11月4日新增0个来源（0家媒体、0个账号）
- 11月5日新增0个来源（0家媒体、0个账号）
- 11月6日新增0个来源（0家媒体、0个账号）
- 11月7日新增0个来源（0家媒体、0个账号）
- 11月8日新增0个来源（0家媒体、0个账号）
- 11月9日新增0个来源（0家媒体、0个账号）
- 11月10日新增0个来源（0家媒体、0个账号）
- 11月11日新增0个来源（0家媒体、0个账号）
- 11月12日新增0个来源（0家媒体、0个账号）
- 11月13日新增0个来源（0家媒体、0个账号）
- 11月14日新增0个来源（0家媒体、0个账号）