让写答案的模型自己查账，Opus 4.8 长任务多拿 6.4 分

多跑几遍不难，难的是信哪一遍

让智能体把同一个长任务跑上好几遍，是现在最省事的提分手段：采样多了，总有一两次撞对。但长程任务的产物往往是一份报告、一个改好的代码仓、一张填完的表格，没有标准答案可以对。到底挑哪一份，以前常见的做法无非两种——少数服从多数，或者另请一个模型当裁判打分。

这篇论文（arXiv 2610.00972，作者包括 Caiqi Zhang、Tomas Pfister、Chen-Yu Lee 等，第一作者是在 Google Cloud AI Research 实习期间完成的）开头先做了一组观察，正好戳在这两种做法的软肋上：

• 几份草稿意见不一致的地方，经常藏着正确的那个版本——少数派未必是错的；
• 几份草稿意见一致的地方，反而可能掩盖了共同的错误——同一个模型犯同一种错，投票只会把错放大。

换句话说，多数投票在最需要分辨的时候恰好最不可靠。

分歧去查证据，共识去找茬

VeriHarness 的处理办法很朴素：别光读草稿，去环境里翻证据。它给底座模型配了一个工作区、一组取证工具和可复用的「验证技能」，拆成两个角色：

• 分歧裁决者：遇到几份草稿说法打架的主张，回到文件、网页、运行结果里核对，看哪一方站得住；
• 共识挑战者：对大家都同意的主张主动唱反调，顺带检查有没有所有草稿都漏掉的需求。

两边的发现汇总后，用来决定是直接选某一份、在某一份上修改，还是推倒重写。整个过程在测试时不需要参考答案，也不需要评分细则，用的还是那个出草稿的模型，没有额外请一个更大的裁判。

6 分左右的提升放在哪个量级

论文报告，在 5 个长程工作区基准、2 个前沿模型上，VeriHarness 的「选择分」在所有对比基线里最高；再叠加基于证据的修订，相对单次生成的平均提升达到 Gemini 3.5 Flash 6.2 分、Claude Opus 4.8 6.4 分。两家模型的增幅几乎持平，至少说明这套办法不是专门为某一家调出来的。

另一处容易被忽略的细节是成本。作者公开了约 2.6 万条 rollouts，摘要里直说生成这批数据花了超过 10 万美元。这个数字反过来也提醒了代价：多次采样加智能体式复核，等于把一次任务的推理开销乘上好几倍，6 分换多少钱，各家团队得自己算。论文还提到验证技能可以从失败反馈里自我改进，但具体能走多远，摘要没有给出量化结论。

Claude 出现在 Google 论文里不算新鲜，新鲜的是它当了对照组

Google 团队拿自家 Gemini 和 Anthropic 的 Opus 4.8 并排测，说明在长程智能体这条线上，Claude 已经是研究者默认要比的那一档。更有意思的是结果：同一个框架下，Opus 4.8 的提升略高于 Gemini 3.5 Flash，这意味着「自己查自己」的收益不取决于谁家出的方法，而取决于模型本身用不用得好工具、肯不肯推翻自己。

当然，选择分和平均分都只是论文作者在自选基准上的数字，基准具体是哪五个、对照的基线强不强，要等社区拿开源的 rollouts 复现之后才说得清。目前能确定的只有一点：「多数说了算」这条捷径，在长任务里正在被证据驱动的复核取代——至少在研究圈是这样。