超越Claude Mythos和GPT-5.5！斯坦福推出Agent验证框架「LLM
超越Claude Mythos和GPT-5.5！斯坦福推出Agent验证框架「LLM-as-a-Verifier」
2026年04月26日 13:0
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 。通讯作者为 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）。
斯坦福、伯克利与英伟达联合提出 Agent 验证框架 LLM-as-a-Verifier。 该方法是一种通用的验证机制，可与任意 Agent Harness 和模型结合。
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 GPT-5.5 和 Claude Mythos！
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。 Transformer 论文作者 Lukasz Kaiser 以及 GAN 作者 Bing Xu 也对该工作进行了转发与关注。
博客地址：llm-as-a-verifier.notion.site
代码地址：llm-as-a-verifier.github.io
方法概述
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：
重复验证的次数 （repeated verifications）
评分 token 的粒度 （granularity of score tokens）
评估标准的分解 （decomposition of evaluation criteria）
给定任务 t 以及两条候选轨迹
, LLM-as-a-Verifier 构造评分 prompt, 并通过从 和 中提取 toplogprobs，得到对应的条件分布:
和
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）
= 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，团队采用 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
1.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。
2.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。
3.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。
4.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。
5.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。
验证计算作为新的扩展维度
「LLM-as-a-Verifier」是一种通用验证机制，能够显著提升 Agent 的整体性能，并在多个 AI 编程基准上取得当前最优（SOTA）表现，超越了其他前沿模型如 Claude Mythos。
相比传统的「LLM-as-a-Judge」方法，该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。
实验结果表明，它能够广泛适配不同的 Agent Harness 和模型，提高多种基准任务中的准确率，同时通过评分机制的细化缓解量化误差，使验证结果更接近真实奖励。
LLM-as-a-Verifier 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。
新浪科技公众号
“掌”握科技鲜闻 （微信搜索techsina或扫描左侧二维码关注）
“不好看就退票”服务，能救电影院吗？
微信封禁自家“兄弟”红包，打的什么牌？
华住，比携程还会捞金？
中国AI应用春季报告｜大厂外力量回升，行业加速分层
国产AI人类之光 DeepSeek V4发布一天价格暴降75%：性价比拉满
科学家为磁性分类建立统一对称性框架
海信大薄荷509 E5S冰箱亮相 陈靖可解锁世界杯看球新搭档
东方甄选四大主播集中离职！俞敏洪回应
2026年超长期特别国债发行启动
时隔近六个月 英伟达市值再次突破5万亿美元大关
小米VGT国内首秀！雷军现场掀开车布
碳移除市场崛起：技术路径、资本结构与需求重构
为何在德国建立欧洲研发中心？小米汽车：这里有人有场地
尚界汽车法务部：北京车展有人蓄意破坏展车内饰 已取证将追责
雷军：今天9点欢迎来北京车展小米展台 新SU7全拆解版车身非常震撼
余承东重磅发言：传统铝合金一体化压铸早就落伍了
花呗白条月付等面临重大变动 官方明确禁止支付与借贷捆绑乱象
7岁女孩天生白色刘海：确认罕见病
下载轻松5000Mbps以上！6G跟5G最大的区别是啥 你知道吗：亲测网速不只多了1G
日本“折纸”卫星成功升空，在轨展开后尺寸增至 25 倍
普通人什么时候能用上6G：2030年前后 流量费可能比5G更低
华为896线激光雷达智驾上车 全新一代红旗H9官图发布
领克 03+TCR 赛车 TCR CHINA 上海站首秀夺冠