原始来源日期:2026年10月6日。本文依据最近72小时内发布的一手资料编译。

原文编译

论文观察到自改进系统的验证器会过时。策略修复已知错误后,剩余失败更复杂;固定裁判无法可靠判断空间落地、因果推理和安全决策,既给不出有效优化反馈,也难以筛选下一批训练样本。

VeriFine把策略、训练课程和裁判组成共同演进的Agent执行框架。策略改进环使用基于rubric的裁判诊断重复失败,构造自适应课程,再通过强化或监督微调优化策略。

当性能停滞且验证成为瓶颈时,裁判改进环挑选信息量高的失败案例请求人类指导。人与Agent围绕分歧做coactive calibration,把裁判重新对齐到物理推理目标,再让新裁判指导数据选择。

作者在驾驶和机器人导航任务上报告策略与裁判能力持续提升。摘要没有给出可跨场景复制的统一提升比例,结论仍依赖仿真任务、rubric质量、人类反馈方式和安全事件覆盖。

量仔观察

本站判断,自改进Agent不能只版本化策略,也要版本化评测器。每次裁判更新都可能改变历史分数含义,因此必须保存旧版本、重放固定安全集,并检查新裁判是否为了减少分歧而放宽标准。

人类反馈应集中在高风险、信息量高的边界案例,而不是平均抽样。对密码和安全Agent,可把可执行测试向量、形式属性和负面用例接入裁判,减少纯语言评分带来的自我确认,并定期用隐藏集校验裁判没有随策略一起漂移。