VisualBench

新研究提出独立审查以增强AI代理验证

一篇新研究论文探讨了改进代理工具链中验证过程的方法，代理工具链是允许大型语言模型通过与工具交互来执行任务的系统。该研究提出了一个包含四个干预层级的框架：初始指令、中间提示、完成门控和独立审查。在Terminal-Bench和SWE-bench Verified等编码基准以及名为VisualBench的新基准上进行的实验表明，批评者进行的独立审查提供了最有利的准确性-成本权衡。