---
title: "智能体框架研究称独立复核可提高任务准确率"
dek: "一篇 arXiv 预印本比较了 17 种核查设计，称独立评审在准确率与成本之间取得较好平衡。保存的摘要载有这些研究结果，但不能据此确认实际服务的表现。"
---

2026 年 10 月 25 日提交至 arXiv 的一篇预印本称，独立复核能以相对有限的额外成本，提高编程智能体的任务准确率。在 *Rethinking Verification in Agent Harnesses* 中，Zhengxin Zhang 等六位作者研究了智能体框架如何安排核查与修改。这类框架使语言模型能够调用工具、观察结果，并持续推进任务。[^1]

作者将核查看作测试时扩展的一种方式，即在执行任务时投入更多处理工作。研究框架涵盖初始指令、执行过程中的提醒、完成关卡和独立复核。作者称，他们在 Terminal-Bench（TB）和 SWE-bench Verified（SWE）上，使用七个前沿编程模型比较了 17 种设计，并提出 VisualBench，由专家评价视觉与交互作品。[^1]

摘要报告，独立评审使 TB 的平均准确率提高 5.9–9.5 个百分点，SWE 提高 3.9–6.6 个百分点；成本分别为基线的 1.13–1.25 倍和 1.00–1.04 倍。初始指令和过程提醒带来的提升较小，且因模型而异；完成关卡可能带来更大提升，但成本也可能显著增加。在 VisualBench 上，四种独立复核设计相对基线的净偏好分数提高了 13.2–23.8 点。这些均为作者报告的实验结果。[^1]

:::analysis
这一问题位于 T6 评估层和 T5 智能体层：基准比较为判断核查流程的效果提供依据，而框架决定评审何时介入、如何推动修改。这些比较不能确认某位用户收到的输出正确；用户和运营方在参考平均结果前，应核对自身系统采用的模型、框架设计、复核轮数及评审配置。这里涉及的可核验属性是可识别性：如果实际为用户提供服务的确切版本和配置有记录且可查，用户就能判断自己是否曾接触某种配置；保存的摘要并未提供此类部署记录，也没有推荐任何修复版本。[^1]
:::

:::checked
我们于 2026 年 11 月 6 日阅读了保存的 *Rethinking Verification in Agent Harnesses* arXiv 摘要页面，编号为 2610.34577，页面标示提交版本为 v1。我们没有阅读全文或检查代码，也没有测试系统或复现实验结果。本次阅读确认的是摘要报告了哪些内容，实验方法及其对实际部署的适用性仍未经我们核实。[^1]
:::

[^1]: *Rethinking Verification in Agent Harnesses*。arXiv，2026 年 10 月 25 日。https://arxiv.org/abs/2610.34577

主图： Zhengxin Zhang, Erkang Zhu, Yin Lin, Claire Cardie, Bolin Ding, Jingren Zhou · CC BY 4.0。
