VeriHarness: Kiểm tra cơ quan quy mô cho các nhiệm vụ dài hạn

Đoạn trích bài viết

Khi các agent LLM thực hiện các nhiệm vụ ngày càng phức tạp và dài hạn, xác minh kết quả của họ trở nên ngày càng khó khăn. Chúng tôi nghiên cứu làm thế nào khả năng xác minh có thể được tăng cường với một mô hình cơ sở cố định, mà không có quyền truy cập vào câu trả lời tham chiếu hoặc xếp hạng rubrics tại thời điểm thử nghiệm.