---
title: "研究人员提出无需外部反馈的智能体自评方法"
dek: "一篇论文介绍了让智能体检查任务产物、调整执行与评估方式的方法。基准测试结果由论文作者报告。"
---

研究人员于 2026 年 11 月 11 日提交了一篇论文，介绍 Verify by Doing（VbD）方法：当外部反馈不可用时，它在单个任务中改进智能体的执行和评估流程。论文称，该方法保持模型权重不变，调整模型周围的流程。[^1]

作者描述了两个组件：执行任务的 Actor，以及使用工具检查任务产物和环境状态的 Evaluator。Evaluator 的发现形成内部信号，用于选择输出，并指导两个组件的更新。新提出的 Evaluator 会在共同的候选输出上进行比较；对 Actor 的更新则需要其新生成的输出提供支持。[^1]

摘要报告称，在 AutomationBench、τ³ Banking 和选取的 GDPval 任务上，VbD 在所比较的无外部反馈方法中取得了最高的整体分数；在主要模型骨干上，分别比最强基线高出 3.3、4.1 和 2.3 个百分点。作者还报告，消融实验支持主动核查和 Evaluator 演进的作用；改进后的核查也能从固定候选池中选出成功的输出，无需生成新输出。这些结果由作者报告，并非独立核实的发现。[^1]

:::analysis
这项工作位于 T6 评估层和 T5 智能体层：Evaluator 的核查影响智能体输出的选择，其作用取决于工具检查了什么，以及如何解读检查结果。用户或核查者仍需要证据，判断这些检查是否覆盖任务，以及报告的结果是否适用于自己的系统。这里还涉及可识别性：如果服务某位用户的确切版本和配置有记录且可以核查，该用户就能判断自己是否使用过该版本和配置。用户与运营者应核查这些记录以及自身部署所用的检查；保存的来源没有推荐任何修复版本。[^1]
:::

:::checked
我们于 2026 年 11 月 19 日阅读了保存的“Verify by Doing” arXiv 摘要页面及其提交历史。[^1] 我们没有阅读论文全文，也没有测试该系统，因此无法独立确认报告的结果或其对具体部署的适用性。来源：https://arxiv.org/abs/2611.15276
:::
