self-verification

本文首次全面概述了LLM中的元认知，认为置信度校准和自我验证等行为是统一元认知能力的各个方面，并对评估和提升这些能力以增强LLM可靠性和透明性的方法和基准进行了分类。

Apodex-1.0-H 是一款新型深度研究模型，采用多智能体架构，能够分解任务、生成专业子智能体，并通过自我验证和迭代改进来生成答案。开源权重变体可在 HuggingFace 上获取。

来自Apodex家族的一个40亿参数开放模型在网页研究基准上优于300亿参数模型，这归因于精心构建的训练数据和自我验证技术，而非原始规模，表明AI能力发展趋向更民主化。

讨论在像Claude这样的AI模型中自我验证循环的重要性，以提高可靠性并减少人工监督的需要。

FineVerify是一个针对智能搜索的自我验证框架，它将问题分解为子问题，验证采样候选，并选择最佳候选，在多个基准测试上取得了相对于基线的显著准确率提升，包括使GPT-5-mini在BrowseComp-Plus上超越GPT-5。

提出了Self-Verified Distillation方法，该方法让LLM从无标注的种子问题中生成候选解决方案，并通过基于提示的自我验证进行筛选，然后在过滤后的数据集上进行训练，从而在Qwen3模型的数学、科学和编程基准测试上取得了显著提升。

本文研究大型推理模型如何在内部检测并纠正自身错误，识别出一个高度可解释的批判向量，该向量无需额外训练即可增强错误检测能力，并提升测试时扩展性能。

RLanceMartin 强调了在 Code With Claude 活动中讨论的 Claude 的新功能：自我验证（Outcomes）和自我学习（Dreaming）。