Xudong Han(@Xudong07452910):十个 Agent 都给出同一个答案，也可能一起错。 Google Cloud AI Research 和 Cambridge 这篇 VeriHarness，研究的是长时 Agent 一个非常重要的问题：任务能跑几十步，但最后的结果到底该怎么验证？作者发现，多次采样其实会暴露两类信号。有分歧时，不同 rollout 里往往已经藏着正确答案；全部一致时，也不能直接相信，因为大家可能共享同一个错误。所以 VeriHarness 做了两件事：一个 Resolver 专门处理分歧，去源文件、数据和环境里找证据，判断哪个候选更可信。另一个 Challenger 专门挑战共识，主动检查所有 Agent 都可能忽略的错误、单位、约束和遗漏项。最后再由同一个底座模型，根据这些证据选择或修改最终结果。关键是，它不需要更强的 Judge，也看不到标准答案和评分规则。在 5 个长时 Workspace Benchmark 上，VeriHarness 相比单次 rollout，Gemini 3.5 Flash 平均提升 6.2 分，Claude Opus 4.8 提升 6.4 分。它的验证 Skill 还会从失败反馈里继续进化。已有的人类 Skill 作为起点后，在 APEX-Agents 上又提升 6.8 分。长时 Agent 的下一步可以是让它学会主动找证据，怀疑分歧，也怀疑共识。 📎 arxiv:

2026.10.05 03:01

十个 Agent 都给出同一个答案，也可能一起错。 Google Cloud AI Research 和 Cambridge 这篇 VeriHarness，研究的是长时 Agent 一个非常重要的问题：任务能跑几十步，但最后的结果到底该怎么验证？作者发现，多次采样其实会暴露两类信号。有分歧时，不同 rollout 里往往已经藏着正确答案；全部一致时，也不能直接相信，因为大家可能共享同一个错误。所以 VeriHarness 做了两件事：一个 Resolver 专门处理分歧，去源文件、数据和环境里找证据，判断哪个候选更可信。另一个 Challenger 专门挑战共识，主动检查所有 Agent 都可能忽略的错误、单位、约束和遗漏项。最后再由同一个底座模型，根据这些证据选择或修改最终结果。关键是，它不需要更强的 Judge，也看不到标准答案和评分规则。在 5 个长时 Workspace Benchmark 上，VeriHarness 相比单次 rollout，Gemini 3.5 Flash 平均提升 6.2 分，Claude Opus 4.8 提升 6.4 分。它的验证 Skill 还会从失败反馈里继续进化。已有的人类 Skill 作为起点后，在 APEX-Agents 上又提升 6.8 分。长时 Agent 的下一步可以是让它学会主动找证据，怀疑分歧，也怀疑共识。 📎 arxiv: