研究：Agent验证机制与VisualBench基准

Zhengxin Zhang 等作者发表论文，把验证作为 test-time scaling 的一个维度，考察验证何时介入、由谁检查、检查如何带来修订，并将验证分为初始指令、轮次中提醒、完成门禁和独立评审四层。 作者在 Terminal-Bench 和 SWE-bench Verified 上对 7 个前沿编码模型比较 17 种验证设计，并推出 VisualBench，用于视觉与交互产物的专家评测。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。