小狮博客谷歌云 AI 研究与剑桥大学的团队在 2026 年 10 月 1 日提交的论文《VeriHarness: Scaling Agentic Verification for Long-Horizon Tasks》（arXiv:2610.00972）针对的正是这一点。它的前提很克制：
测试时没有参考答案，也没有评分标准（rubric），只能靠模型自己查。
VeriHarness 拆解：多数投票为何会掩盖错误
未经允许不得转载：小狮博客 » VeriHarness 拆解：多数投票为何会掩盖错误
谷歌云 AI 研究与剑桥大学的团队在 2026 年 10 月 1 日提交的论文《VeriHarness: Scaling Agentic Verification for Long-Horizon Tasks》（arXiv:2610.00972）针对的正是这一点。它的前提很克制：
测试时没有参考答案，也没有评分标准（rubric），只能靠模型自己查。