Google 发布 VeriHarness：用智能体验证器替代多数投票选答案

Google 论文指出，对多个 agent rollout 取共识答案的做法可能掩盖共同错误，而分歧反而常指向正确答案。VeriHarness 将同一个基础模型变成 agentic verifier：一边在 rollout 分歧时核查 workspace 证据，一边挑战全员一致但可能遗漏需求的结论。在五个 long-horizon 基准上取得最佳选择成绩，配合证据支持的修订，Gemini 3.5 Flash 单 rollout 提升 6.2 分，Claude Opus 4.8 提升 6.4 分。作者同时开源了约 26,000 条 rollout 数据。