LLM-as-a-Verifier: A General-Purpose Verification Framework
LLM作为验证器：通用细粒度验证框架
🧭 Agent验证与测试时扩展 ★ 深度解读
Stanford University · UC Berkeley · NVIDIA Research
用token logits期望代替离散评分，实现连续验证并支持评分粒度、重复、分解三维扩展，跨域SOTA
📌 工作参考价值（4 点）
- 连续评分替代离散打分：提取评分token完整logits分布求期望，消除离散评委的高平局率（27%→0%），可迁移到任何需LLM打分排序的场景（广告/商品质量评估），显著提升区分度。
- 三维验证扩展：通过评分粒度（1→20 tokens）、重复评估（1→16次）、标准分解（单标准→多标准Ensemble），验证准确率从73%提升至78%，工程中可按成本预算灵活拼接，平衡精度与延迟。
- 成本高效候选选择：概率枢轴锦标赛（PPT）算法，仅需𝒪(Nk²)次比较（k≪N），利用环形消除位置偏置并集中预算于前k候选，适用于大规模召回后的精排或生成式推荐item pool筛选。
- 验证分数作为稠密RL奖励：将连续验证信号作为中间过程奖励，显著提升off-policy SAC（约1.8×样本效率）和on-policy GRPO（1.1×效率）的训练速度与最终成功率，可直接用于推荐策略或聊天Agent的强化学习优化，无需手工设计奖励函数。