将验证能力拓展为大模型全新扩展维度

预训练、后训练与测试时算力被视为大语言模型能力提升的三大支柱。本研究在此之外提出第四个维度——验证，即将判断解答正确性的能力作为新的可扩展资源，并据此构建了通用验证框架 LLM-as-a-Verifier。

与传统语言模型裁判直接输出离散分数不同，该框架对评分标记的 logits 分布求期望，生成连续分数。这种概率化设计使验证能力可以沿三个方向独立或叠加扩展：评分粒度、重复评估次数以及评估准则的分解粒度。

粒度的提升带来正负样本之间更清晰的分离，使对比结果更加稳定可校准；重复评估通过降低方差提升准确率，准则分解则通过拆分任务复杂度带来额外增益。配合框架内置的成本敏感排序算法，系统可在候选方案中高效选出最优解。

在 Terminal-Bench V2、SWE-Bench Verified、RoboRewardBench 与 MedAgentBench 四个智能体基准上，该方法分别取得 86.5%、78.2%、87.4% 和 73.3% 的最优成绩，展示了通用验证能力在代码执行、软件工程、机器人奖励建模以及医疗智能体等多个领域的迁移潜力。

除直接用于排序外，连续分数还可作为任务进度的代理指标。研究团队基于此为 Claude Code 开发了监控扩展，使开发者能够实时观测并改进自己的智能体系统。

在强化学习场景中，该框架可提供比稀疏奖励更密集的反馈信号，在机器人控制与数学推理任务上分别提升 SAC 与 GRPO 算法的样本效率，进一步将验证能力嵌入到训练闭环之中。

要点

• 验证能力被确立为大模型在预训练、后训练与测试时算力之外的第四个扩展维度。
• 基于评分 logits 期望值的连续分数设计，使验证可在粒度、重复次数与准则分解三个维度灵活扩展。
• 在 Terminal-Bench V2、SWE-Bench Verified、RoboRewardBench、MedAgentBench 四个基准上均刷新最优成绩。
• 连续分数可作为任务进度代理指标，并为 Claude Code 提供可监控自身表现的扩展。
• 密集的验证反馈可提升 SAC 与 GRPO 在机器人与数学推理任务上的强化学习样本效率。