斯坦福伯克利英伟达联合发布Agent验证框架：扩展验证计算量超越GPT-5.5

本项目由斯坦福大学计算机科学博士生 Jacky Kwok 主导，核心贡献者包括伯克利 EECS 博士生 Shulu Li。通讯作者阵容包括：Ion Stoica（加州大学伯克利分校教授、Databricks 创始人）、Azalia Mirhoseini（斯坦福大学教授，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推出了名为 LLM-as-a-Verifier 的智能体验证框架。该方案作为一种通用的验证机制，能够与任意 Agent Harness 及模型无缝结合。

研究显示，通过扩展验证阶段的计算量（scaling verification compute），可显著提升智能体的整体性能。在最具影响力的 AI 编程基准测试 Terminal-Bench 上，其表现甚至超越了 GPT-5.5 和 Claude Mythos！

LLM-as-a-Verifier 在 AI 编程基准测试 Terminal-Bench 和 SWE-Bench Verified 中均取得了当前最优（SOTA）成绩。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智能体（例如运行 100 次），它往往能在某一次尝试中生成正确答案。但关键在于，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）中尤为突出。

LLM-as-a-Verifier 通过扩展评分 token 的细粒度（score granularity）、进行多次评估（repeated verification）以及分解评价标准（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 方法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。在比较长时序智能体轨迹（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 上导致了 27% 的平局情况，严重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：

1. 重复验证的次数（repeated verifications）
2. 评分 token 的粒度（granularity of score tokens）
3. 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 <score_A> 和 <score_B> 中提取 top-logprobs，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）

= 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。

1. 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：
2. ForgeCode：验证准确率提升至 86.4%
3. Terminus-Kira：准确率提升至 79.4%
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。

1. 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。

1. 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）均能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。

1. 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：
2. 规范合规性 (Specification)：轨迹是否符合所有任务要求（路径、命名等）；
3. 输出格式 (Output Format)：验证输出的格式是否符合预期结果；
4. 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，能够显著提升智能体的整体性能，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，实现了更高的验证准确率和更精确的区分能力，彻底消除了评分平局现象。

实验数据证实，该框架具备良好的通用性，可兼容多种Agent Harness与模型架构，在多项基准任务中显著提升准确率。同时，通过细化评分机制，有效减轻了量化误差，使得验证结果更贴近真实的奖励信号。

LLM-as-a-Verifier 不仅优化了 Agent 的执行表现，还大幅提升了模型在长时间序列任务中的安全性与稳定性。