# 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。

## 推荐理由

斯坦福、伯克利和英伟达联合提出 LLM-as-a-Verifier，让大模型逐步检查另一模型的解题路径，在 Terminal-Bench 2.0 与 SWE-Bench Verified 两个榜单上登顶。

## 锐评

让模型当验证器这思路我认，但 Terminal-Bench 2.0 上超过 Claude Mythos 和 GPT-5.5 这种话我不当真。验证器本身也是模型，它挑出来的路径好不好，取决于它自己够不够强，拿它去评比自己强的模型，分数参考价值有限。

能直接抄的是 token 级打分和重复验证这两招，代价是推理翻几倍。榜单第一我不关心，我关心这套 scaffold 跑一次要烧多少 token。
