#Self-Verification

4 篇

MotionCoach: Constructing Multimodal Guidance for Video Professional Motion Editing

MotionCoach：构建多模态引导实现视频专业动作编辑

🧭 Agent 多模态引导视频编辑 ★ 深度解读

Peking University · Alibaba Token Hub, Alibaba Group · University of Science and Technology of China · Zhejiang University

训练多模态Agent自动搜索、验证并裁剪动作参考，输出grounded prompt与reference clip，显著提升冻结视频编辑模型的专业动作编辑能力。

📌 工作参考价值（4 点）

借鉴“冻结生成模型 + 轻量 Agent 策略”的分离架构：在商品视频生成、广告创意生成中，不重新训练底模，训练一个 VLM Agent 来构造可靠的参考素材和 grounded prompt（包含关键卖点、时间结构、负向约束），可低成本适配垂直类目。
借鉴 self-verification 与 tool use：类似 RAG 中的检索后验证，在电商视频编辑中 Agent 可以搜索候选商品素材、检查是否展示正确商品和动作，自验证后裁剪出最有用的片段，避免错误参考导致生成偏差；该逻辑可用于广告素材自动剪辑和生成。
借鉴 RL 奖励设计：用三个奖励（prompt 质量、下游生成结果、格式）训练 Agent，尤其以冻结编辑器实际生成的视频作为奖励信号；在推荐/搜索中，可训练 Agent 生成 query 解释或推荐理由，奖励包括文本质量和最终转化/点击模型评分，形成闭环。
数据流水线：teacher 模型生成轨迹 + VLM/程序化检查 + 人工抽检，快速构建 SFT/RL 数据，适合缺少标注的垂直领域。

Agent | 2026-10-09 | cs.MM | score 8/10

CLIFT：基于共形自验证的 Web Agent 训练与测试时扩展

🧭 Web Agent 强化学习与测试时选择 ★ 深度解读

Salesforce AI Research

将昂贵 judge 反馈蒸馏为可认证的验证问题库，训练时做稠密奖励，测试时做无需 judge 的保守轨迹选择

📌 工作参考价值（4 点）

把昂贵 judge 反馈蒸馏成可复用的「验证问题库」：每个问题带 URL scope、polarity sign 和 conformal trust weight，训练时用非对称 reward 融合（只加不减，防止 reward collapse），可按 URL 状态做分层优势归一化，明显改善 agent RL 的 credit assignment。推荐/搜索 agent 训练中可借鉴此方式，针对领域定义可验证问题，用 lift 和 conformal 筛选后作为过程奖励。
测试时用同一冻结问题库做轨迹选择（CTS）：greedy + diverse retries，自验证器输出结构化证据，保守多数投票默认保留 greedy，无需外部 judge 即可实现 test-time scaling，且能保证不回归。在线推理中可对 agent 轨迹做低风险 reranking，适合预算受限场景。
验证知识可与策略解耦：在 open model 上训练的 question bank 可直接迁移到 closed model（GPT-5.5）使用，节省强模型 fine-tune 成本。业务上可先在小模型上构建验证器，再用于大模型推理阶段的选择。
工程上采用 CEGAR 循环从 judge rationales 定期挖掘新验证问题，并用 polarity veto 纠正错误标签；Mondrian-ACI 跟踪器按 global/host/URL-path 分层动态校准信任权重，对分布漂移具有拒绝能力，可借鉴到构建自适应质量监控或评估器。

Agent | 2026-10-05 | cs.LG | score 8/10

自验证改良：通过联合判定与置信度强化学习实现自适应测试时计算

🧭 自适应推理 · 自验证强化学习

Sun Yat-sen University · Guangdong Key Laboratory of Big Data Analysis and Processing · X-Era AI Lab

学习自验证与置信度作为内部控制信号，在推理时自适应分配计算预算，无需外部验证器

📌 工作参考价值（4 点）

多轮决策的自适应终止：在推荐Agent或对话系统中，可以借鉴SVR让模型在对每轮输出（如推荐列表、搜索建议）同时生成质量判定和置信度，达到阈值则提前终止交互，节省LLM调用成本。
无需外部监督的自我验证训练：通过奖励校准自验证正确性，模型能内生判断能力，适用于电商场景中缺乏及时反馈的推荐解释、文案生成等任务，训练时只用最终答案正确性，推理时自我把关。
联合输出校准与决策：将离散判定与连续置信度联合输出，并通过校准奖励使其对齐真实准确性，该思路可迁移到CTR预估中的不确定性建模或排序模型的置信度输出。
自适应计算分配：对简单样本自动减少推理步数，复杂样本多步迭代，类似思想可用于动态召回、重排序的算力分配，例如对低候选集质量的请求执行更多召回或精排步骤。

Reasoning | 2026-07-30 | cs.CL | score 7/10

面向物理科学的深度研究：多智能体框架与综合基准

🧭 多智能体科学推理加速

Shanghai Artificial Intelligence Laboratory · Xiamen University · Chinese Academy of Sciences · University College London · Wuhan University

提出物理科学深度研究基准PhySciBench，并设计多智能体框架DelveAgent，通过自适应规划、双粒度记忆和分层反思显著提升准确率并降低成本

📌 工作参考价值（4 点）

模块化多智能体设计可迁移至搜索推荐多步推理：DelveAgent 的自适应规划循环（Adaptive Planning Loop）可直接用于电商搜索中的复杂查询分解与动态规划，比如商品对比、多方约束推荐等需要多步推理的场景。
双粒度记忆（Dual-granularity Memory）提升长对话一致性：短期记忆存交互轨迹，长期记忆存领域知识，可借鉴到用户对话系统中，跨 session 保留用户偏好与领域事实，避免重复询问。
分层反思（Hierarchical Reflection）实现业务规则自检：物理基础反思机制强制模型验证结果是否符合物理定律，对应电商场景可设计“利润约束反思”“库存约束反思”等模块，降低幻觉，提升推荐合理性。
成本降低至 1/3 的工程启发：DelveAgent 在提升准确率的同时大幅降低推理成本，其架构中的知识检索、记忆复用等降本手段，可复用于线上 Agent 的调用优化，减少 LLM 重复推理。

MultiAgent | 2026-06-16 | HF Daily | score 6/10