# 斯坦福等团队搞了个“用大模型当验证器”的方法，在 Terminal-Bench 2.0 上跑分超过 Claude Mythos 和 GPT-5.5

> 原标题：超越Claude Mythos和GPT-5.5！斯坦福Agent验证框架拿下SOTA，Transformer作者转发

- 来源：量子位 · 公众号
- 发布时间：2026-04-27T03:47:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/11073
- 原文：https://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw==&mid=2247886631&idx=3&sn=ac64453495e17186d571dc34efab68a2

## 摘要

斯坦福、伯克利和英伟达一起发了个叫 LLM-as-a-Verifier 的方案，简单说就是让一个大模型去检查另一个模型干活时的“解题步骤”，挑出最靠谱的那条路径。他们用了三招：打分细到 token 级别、同一件事反复查、把评判标准拆开看，最后在 Terminal-Bench 2.0 和 SWE-Bench Verified 两个榜单上都拿了第一。其中 ...

## 推荐理由

我会先打个折：这还是个基准测试的研究发布，不是模型或产品大更新，所以分数放在这个区间。但钩子够强——斯坦福、伯克利、英伟达联名，Transformer作者转发，验证智能体这件事本身又是当前工程落地的痛点。信息量也扎实，token级评分、重复验证、标准分解这些机制都给了具体数字，不是空泛的“新框架”。读者看完能立刻判断要不要跟进实验。

## 锐评

这个方案的核心思路不复杂：让一个大模型去当“判卷老师”，检查另一个模型干活时的每一步推理，挑出最靠谱的那条路径。他们用了三招——打分细到每个 token、同一件事反复查、把评判标准拆开看，最后在 Terminal-Bench 2.0 和 SWE-Bench Verified 两个榜单上都拿了第一，其中 ForgeCode 准确率到了 86.4%。

不过原文因为环境异常没加载出完整内容，关键信息是缺的：反复查会多烧多少算力、延迟增加多少、验证模型本身会不会出错，这些都没法确认。榜单第一听着漂亮，但如果验证成本比干活模型还高，实际落地就得打个问号。另外，两个测试集能不能代表真实开发场景，也需要看具体任务分布。

我会先打个折：思路对，但没看到成本账和失败案例之前，别急着当通用解法。