arXiv论文提出Agent验证框架：独立审查性价比最优

Zhengxin Zhang 等研究者在 arXiv 论文（arXiv:2610.34577）中将验证作为测试时扩展的一个维度，研究 agent harness 中何时干预、谁来检查、如何修正，提出覆盖初始指令、执行中提醒、完成门控和独立审查四层的框架，并比较了17种设计。 论文结论称，独立审查（由 critic 检查）性价比最优：在 TB 上平均准确率提升 5.9–9.5 个百分点、成本为基线的 1.13–1.25 倍；在 SWE 上提升 3.9–6.6 个百分点、成本为基线的 1.00–1.04 倍。完成门控可能带来更大提升，但会显著增加成本；初始指令和执行中提醒在编码基准上提升有限且因模型而异，输出 token 用量基本不变。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。