Correct（正确性）在当前 AI 讨论中，主要指 AI 模型与智能体输出的正确性验证问题——即模型给出的答案、生成的代码或 Agent 完成的任务是否真正可靠，而非仅仅看起来合理。随着大模型和自主智能体被用于写代码、做决策，'结果正确吗'正取代'能否生成'成为行业最核心的关注点，围绕这一问题的基准测试、验证工具和方法论在近期集中涌现。
AI 输出正确性的近期进展
在软件工程方向，一项实证研究 Not All Correct Fixes Run Alike: An Empirical Study of Patch Performance in Repository-Level Issue Resolution 指出，仓库级问题修复中并非所有'正确'补丁都同等有效——即使补丁通过了测试，其性能表现和对代码库的长期影响也可能差异显著，说明以测试通过判定正确性的做法并不充分。
针对评估接口本身，Correct Choices, Failed Sequences: Choice2Seq Benchmarks Correctness Retention Across Output Interfaces 提出了 Choice2Seq 基准，研究模型在不同输出格式之间切换时正确答案能否保持——模型可能答对了，却因输出接口变化而'丢失'正确性，这一现象此前较少被系统测量。
工程实践层面，Gergely Orosz 在 Correct. We're getting the biggest "bug bash"… 中观察到，团队正在组织大规模的 'bug bash'（集中找错活动），反映出生成能力普及后，纠错与验证成了新的工作重心。
社区工具也在跟进：shao__meng 介绍的 pstack 新增 /create-formal-verification-skill 是一个 meta-skill，不直接执行形式化验证，而是根据待验证系统的特性自动生成验证方案；Sasha Rush 则展示了 Provably Correct Tensor Puzzles，让张量练习题的正确性可以被形式化证明。
当前焦点与观察点
围绕 Correct 的讨论正在从'模型答对了没有'转向更细的问题：正确如何定义、如何在不同接口和场景下保持、以及如何大规模验证。Grok Bot 团队的 poteto 提出了一套四层'倒金字塔'框架（见 如何信任你的 Agent 的工作成果），主张与其管教 Agent，不如建立对其产出的分层信任机制，这一思路与验证工具化的趋势相互呼应。
值得观察的几点：一是测试通过率与真实正确性之间的差距正在被量化，补丁类研究是典型例子；二是形式化验证与自动生成的结合还处于早期，能否覆盖复杂系统尚待检验；三是学术界与工程界对'正确'的口径并不统一，短期内 benchmark 结果与实际可用性之间的落差仍会是争论焦点。对使用者而言，把模型输出当作待验证的草稿而非结论，目前仍是更稳妥的预期。