阿里与康奈尔论文发现独立 critic 审查可提升编码 agent 准确率最高 9.5 分

阿里巴巴与康奈尔大学论文《Rethinking Verification in Agent Harnesses》比较了17种验证设计、7个前沿编码模型以及Terminal-Bench、SWE-bench Verified和VisualBench。