标签
在智能体技术栈上运行了一年的对抗性验证层发现，大约三成自信输出未能通过审核。文章指出，模型一致并非验证，对失败成本的审计比追求共识更重要。
论文提出 MOTIVE 框架，通过多视角自验证学习可靠性分数，在多模态推理中做出接受或重新思考的决策，从而提升视觉语言模型答案的可靠性并减少不必要的推理轮次。
Salesforce AI Research 提出 CLIFT，一种基于一致性自验证的网页智能体训练与测试时扩展方法，使 31B 开源 Gemma-4 智能体在 WebArena Infinity 上达到 74.6%，超越使用浏览器的 Gemini 3 Flash，并且在部署时无需调用前沿模型评判器。
CLIFT 利用共形自验证(conformal self-verification)将稀疏的judge反馈转化为可复用的训练奖励与无需外部judge的测试时轨迹选择，在WebArena Infinity、VisualWebArena和Online Mind2Web上取得了开源web agent的最优表现。
MOTIVE 提出一个让视觉-语言模型自主判断何时信任答案、何时重新思考的框架，通过五个互补的验证视角和学习到的可靠性分数，在五个基准上将 Qwen2.5-VL 模型平均准确率提升约 8 个百分点。
本文提出了一个在 TerminalBench2.1 上诊断终端智能体自验证能力的框架，发现智能体很少能发现或修复错误（仅检测出 61.43% 的错误候选，且仅修复了其中的 49.36%）；为此提出 Student-Conditioned Verification Distillation（SCVD），在避免 SWE-bench Verified 上分布外性能下降的同时，将 Qwen3.5 的 Pass@1 提升了 9.74–16.85 个百分点。
本文讨论了AI应用向长程闭环自验证的转变，重点介绍了Space Bunny和Google Research的代理工作流，这些工作流能够实现自主测试和错误纠正，重塑开发角色。
LLM-as-a-verifier 是一个为 AI 智能体提供细粒度反馈的框架，使用 DeepSeek V4 Flash 在 Terminal-Bench 2.1 等基准测试上实现了最先进的性能，以更低的成本优于 Claude Fable 5。
一位开发者描述了让他们的AI智能体通过运行受控探测和测量性能来自主测试模型升级，揭示了限制其自身的问题。
一个AI智能体利用自我验证技术，从一篇从未见过的研究论文中构建了知识图谱，以减少幻觉。
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。
提出SVR-R1，一种多轮强化学习框架，该框架利用模型自身的验证作为多模态推理的学习信号，在视觉-语言推理基准上相较于标准GRPO基线取得了显著的准确率提升。
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）。