Checking（校验/核查）在人工智能语境下，泛指对模型输出、系统行为和代码质量的验证机制，涵盖事实核查（fact-checking）、统计模型校验（model checking）和代码审查等方向。随着大模型被大规模部署，"生成之后如何验证"正在成为比"如何生成"更受关注的问题，围绕 Checking 的研究、工具和工程实践在近期集中出现。
AI Checking 近期进展
当前焦点与观察点
Checking 相关讨论目前集中在三个层面：一是事实核查，核心矛盾是外部知识源（知识图谱、检索）与模型内部知识如何配合，多智能体与记忆优先是当前的主要探索路径；二是模型与智能体的行为校验，形式化方法与统计方法正在向在线、实时场景迁移；三是评估体系本身，"LLM as judge"的可靠性受到质疑，结构化判定被视为改进方向。
需要保持克制的观察点包括：知识图谱方案在开放域事实核查中的覆盖率仍有限；统计模型校验的可扩展性尚未在大规模真实系统中验证；结构化评估替代生成式裁判的做法是否能减少偏差，也缺少大规模对比数据。总体来看，Checking 正从事后审查转变为贯穿生成全流程的基础设施，但各类方法的成熟度差异明显，尚无公认的主导方案。