多数表决机制失效！Google 与剑桥提出 VeriHarness：长程任务 Agent 验证新范式，耗资 10 万美元开源 2.6 万条轨迹

核心背景与行业痛点

随着 Coding Agent 与工作流自动化智能体迈入数十乃至数百步的长程探索时代（Long-Horizon Tasks），模型生成的复杂代码改动、多文件脚手架与系统配置极易潜藏隐蔽 Bug。在真实的工业部署场景中，系统往往无法提前获得现成的黄金基准测试集或评分标尺（Grading Rubrics），如何仅依靠未知的测试时环境自主完成验证判决，已成为区分顶级 Agent 系统的分水岭。现存业界主要依赖多次采样生成（Multiple Rollouts）结合自洽性多数表决（Self-Consistency / Majority Voting）。然而，研究人员发现了一个严峻的技术反常态：当任务极其复杂时，各 Rollout 间的激烈“分歧（Disagreement）”往往蕴含着解决罕见边界条件的正确破局思路，而智能体集群达成的虚假“共识（Consensus）”却几乎全军覆没于模型共有的先验盲区之中。

架构亮点与底层机制

针对多数表决机制在长程任务中的彻底失效，Google Cloud AI Research 与剑桥大学研究团队联合提出了环境驱动的智能体验证套件 VeriHarness（arXiv:2610.00972）：

1. 底座模型原位转化为能动验证官（Agentic Verifier Transformation）：无需额外训练专用判决模型，直接将生成代码的通用底座赋予一套隔离的沙箱执行工作区（Workspace）、环境探针工具以及可插拔的模块化验证技能（Verification Skills）；
2. 分歧仲裁员机制（Disagreement Resolver）：针对不同 Rollout 产生的冲突性声明与分支逻辑，仲裁员自动编写环境探测脚本，通过执行断言与真实运行时输出收集硬核物理证据，从而识别出真正正确的少数派方案；
3. 共识挑战者机制（Consensus Challenger）：专门针对所有候选项高度一致的“表面共识”，主动构造压力测试与反例注入，严格审查是否遗漏了题目中的隐性要求或产生了虚假假设；
4. 证据驱动的递归制品修正（Evidence-Backed Revision）与技能自进化：不仅负责挑选最优解，更能将环境探针捕获的报错堆栈反馈给生成器进行精准手术式重构，并能根据验证失败经验动态自进化（Self-Improve）验证技能库。

权威 Benchmark 与实测跑分对比

在跨越 5 个权威长程工作区基准（Workspace Benchmarks）以及行业前沿基础模型的广泛对决中，VeriHarness 树立了长程自主验证的性能新天花板：

1. 最强选型胜率全面碾压传统基线：在所有对比的验证基线中，VeriHarness 在 5 大基准上的候选解挑选准确率均稳居第一，彻底打破了多数表决与单体 Self-Reflect 的天花板；
2. 前沿基座性能飞跃超 6 个点：结合证据驱动的递归制品修正后，相较单次 Rollout 独立执行，VeriHarness 在 Gemini 3.5 Flash 上实现了 +6.2 分的巨幅净增，在 Claude Opus 4.8 上实现了 +6.4 分的显著跃升；
3. 耗资 10 万美元打造 2.6 万条大规模轨迹库：团队向全球学术界开源了在 5 大基准与两大前沿模型上生成的约 26,000 条长程交互轨迹（总计算评估成本超过 100,000 美元），为智能体验证与后训练提供了极度宝贵的基础设施。

开发者实战落地与开箱指南

VeriHarness 的核心代码库与验证工具链已正式托管于 Google Research 官方 GitHub（google-research/veriharness）。对于正在研发企业级 Coding Agent、自主安全红蓝对抗系统以及复杂流程编排平台的工程团队，VeriHarness 提供了一套免重训的即用型质量守门方案。开发者应摒弃传统的静态正则或投票逻辑，通过 VeriHarness 在沙箱中部署“分歧仲裁+共识质疑”双通道验证网关，让长程智能体在提交产物前具备顶级工程师级别的自主查错与自愈能力。