Verified

近期AI领域，“Verified”一词指向两个核心方向：一是通过强化学习等技术提升模型输出的可靠性与事实一致性，二是构建更可信的评估基准以衡量模型真实能力。在提升可靠性方面，各机构密集发布新框架与模型。例如，NVIDIA推出Polar框架，专为Codex、Claude Code和Qwen Code等模型设计，通过token faithful rollout实现GRPO训练，旨在提高代码生成任务中的输出一致性（NVIDIA 发布 Polar……）。Meta与CMU合作提出Self-Play SWE-RL，让编码智能体通过自我制造软件经验进行强化学习，从而提升性能，其核心思路是通过自生成数据来“验证”和改进模型（Meta/CMU 提出 Self-Play SWE-RL……）。Meta的另一项研究则表明，复用尝试摘要可大幅提升编码智能体性能，本质上是对历史验证过程的总结与复用（Meta 论文……）。在评估基准方面，原先的SWE-bench Verified成为焦点：Anthropic的Claude 3.5 Sonnet在此基准上刷新纪录（Claude 3.5 Sonnet 在 SWE-bench Verified 上刷新纪录），而OpenAI则停止评估该版本，并推荐使用Pro版，暗示当前Verified版本可能已无法满足更严格的可信评估需求（OpenAI 停止评估 SWE-bench Verified……）。此外，NVIDIA推出的Verified Agent Skills则直接聚焦于AI智能体的安全性验证（NVIDIA 推出 Verified Agent Skills……）。当前，Verified正从单纯的评测指标演变为多种技术路径的统称，涵盖训练方法、测试基准和安全验证。未来观察点包括：基于自生成经验的验证方法能否推广到其他领域，以及更严格的SWE-bench Pro是否会成为新标准。