提出了LLM-as-a-Verifier通用验证框架,利用评分token logits分布期望生成连续分数,实现验证在评分粒度、重复评估和标准分解三个维度的缩放,在代码、机器人和医疗领域取得最新最优性能(如Terminal-Bench V2 86.5%、SWE-Bench Verified 78.2%等)。
机构:Stanford
来源:arXiv 2607.05391 | AI4Papers 论文推荐平台