Google发布VeriHarness验证AI长任务成果

Google发布长任务验证框架VeriHarness。该框架让生成结果由同一模型再次检查；当多份结果存在分歧时，系统会查阅任务文件和数据进行核实，即使结果一致，也会主动寻找可能被共同忽略的问题，随后据此选择、修改或重做最终成果。 研究团队在5个长任务基准和2个模型上进行测试，VeriHarness的结果选择分数在所比较的方法中最高。加入证据驱动的修订后，相比单次生成，Gemini 3.5 Flash平均提高6.2分，Claude Opus 4.8提高6.4分。团队还公开约2.6万条模型执行记录，供后续研究使用。