超越Claude Mythos和GPT-5.5！斯坦福Agent验证框架拿下SOTA，Transformer作者转发

Transformer论文作者Lukasz Kaiser以及GAN作者Bing Xu转发关注了一项工作——

LLM-as-a-Verifier验证框架，该方法是一种通用的验证机制，可与任意Agent Harness和模型结合。

由斯坦福、伯克利与英伟达联手打造。

研究表明通过扩展验证阶段的计算量（scaling verification compute），可以显著提升Agent整体性能，并在最有影响力的AI编程基准Terminal-Bench上超越Claude Mythos和GPT-5.5！

LLM-as-a-Verifier在AI Coding基准Terminal-Bench和SWE-Bench Verified上均取得了当前最优（SOTA）性能。

方法

大多数Agent Harness实际上已经“具备”解决问题的能力。

当我们多次运行同一个Agent（例如运行100次），它往往能够在某一次尝试中生成正确答案。

但问题在于，它们无法判断哪一个才是正确的。

这一问题在长时序任务（long-horizon tasks）中尤为严重。

LLM-as-a-Verifier通过scaling评分token的细粒度（score granularity）、多次评估（repeated verification）以及评价标准的分解（criteria decomposition），显著提升了验证能力，并进一步提高了下游任务的成功率。

此外，团队发现随着评分token细粒度的提升，正负样本之间的得分区分度会进一步拉大。

核心问题：LLM-as-a-Judge的局限性

标准的LLM-as-a-Judge通过提示模型输出一个评分结果（例如，1到8之间的分数），并选择概率最高的评分作为最终的离散分数。

然而，这种方法往往存在评分粒度过于粗糙的问题。

在比较长时序Agent轨迹（trajectories ）时，LLM-as-a-Judge通常会为不同的轨迹分配相同的分数（例如，两条轨迹都被评为4分），从而导致平局，无法有效区分它们。

这种粗粒度的评分机制在Terminal-Bench上出现了27%的平局情况，限制了评判的精确性和区分能力。

LLM-as-a-Verifier: 从判分到验证的范式转变

从定义上讲，judge（裁判者）是对整体情况形成总体判断并给出结论的人；而verifier（验证者）则是对具体事项进行真实及正确性核验的人，因此需要更细致、更具体的评估。

为此，团队提出了LLM-as-a-Verifier。它通过扩展以下三个维度来提供细粒度反馈：

• 评分token的粒度（granularity of score tokens）
• 重复验证的次数（repeated verifications）
• 评估标准的分解（decomposition of evaluation criteria）

给定任务t以及两条候选轨迹和, LLM-as-a-Verifier构造评分prompt, 并通过从<score_A>和<score_B>中提取toplogprobs，得到对应的条件分布:

LLM-as-a-Verifier将轨迹的奖励表示为：

其中：

• C=评估标准的数量
• K=重复验证的次数
• G=评分token的数量（粒度等级）
• 是模型对评分token的概率
• =每个评分token映射为标量数值的函数
• =离散评分token集合

在选择最佳轨迹时，我们采用循环赛（round-robin tournament）：对每一对候选轨迹(i, j), 验证器都会利用上述公式计算其reward。

奖励更高的轨迹获得胜利，而在全部比较中胜场数最多的轨迹，将被选为最终结果。

实验结果

在Terminal-Bench 2.0和SWE-Bench Verified等复杂的长时序基准任务中，LLM-as-a-Verifier的表现全面超越了前沿模型并均取得了当前最优（SOTA）性能。所有实验结果均来源于官方排行榜.

LLM-as-a-Verifier能够在不同的Agent Harness框架中实现无缝集成，其通用性验证于以下三个基准任务：

• ForgeCode：验证准确率提升至86.4%；
• Terminus-Kira：准确率提升至79.4%；
• Terminus 2：准确率增加至71.2%。

这表明，无论针对何种Agent Harness或模型，该验证方法皆可高效兼容并提升性能。

LLM-as-a-Verifier在验证准确率和消除平局方面全面领先于传统的LLM-as-a-Judge。

即使在增加重复验证次数的情况下（如 k=16），Verifier方法依然保持了至少7%的验证准确率优势。

此外，它完全消除了平局现象。

试验结果表明，增加评分token的粒度（granularity）以及提高重复验证次数（repeated verifications）均显著提高验证准确率。

此外，在评分token维度的细化分级（1→20）中，量化误差得到了极大降低，从而更接近真实奖励。

LLM-as-a-Verifier放弃传统的单一评分机制，采用将轨迹验证解构为三个可组合的评估标准：

• 规范合规性 (Specification)：轨迹是否符合所有任务要求（路径、命名等）。
• 输出格式 (Output Format)：验证输出的格式是否符合预期结果。
• 错误检测 (Error Checking)：轨迹中是否存在明显的错误信号。

相比传统的LLM-as-a-Judge方法， LLM-as-a-Verifier框架利用更细致的评分粒度、重复验证，以及评估标准分解，实现了更高的验证准确率和更精确的区分能力，消除了评分平局现象，不仅提升了Agent性能，还显著增强了模型在长时序任务中的安全性和稳定性。

团队介绍

本项目由斯坦福大学CS博士生Jacky Kwok负责。主要贡献者包括伯克利EECS博士生Shulu Li。通讯作者有Ion Stoica（UC伯克利教授、Databricks创始人）、Azalia Mirhoseini（斯坦福教授，曾任职于DeepMind与Anthropic）、以及Marco Pavone（英伟达AI与自动驾驶研究总监）。

博客：llm-as-a-verifier.notion.site

代码：llm-as-a-verifier.github.io

联系方式：jackykwok@stanford.edu

文章来自于微信公众号 "量子位"，作者 "量子位"