大模型的本质也是复读机？让DeepSeek V4 Flash复读5次就能超过claude fable5？

Stanford、UC Berkeley 和 NVIDIA Research一起做了一项研究 LLM-as-a-Verifier。这是一个通用的 LLM 验证框架，核心思路是在 Agent 生成多个候选方案后，用 LLM 作为 verifier 对结果或执行轨迹进行细粒度评分、比较和筛选，从而把更多 test-time compute 转化为更高的成功率。
作者介绍用DeepSeek V4 Flash验证的例子：“使用DeepSeek V4 Flash进行规模化自我验证，在Terminal-Bench 2.1上击败Claude Fable 5，同时成本低11倍💰
随着开源模型能力的不断增强，它们现在能够以极低的成本生成大量高质量的候选解决方案，并验证自己的输出。
例如，我们发现仅用DeepSeek V4 Flash采样5个解决方案，并使用同一模型作为验证器（LLM-as-a-Verifier）进行排序，就能显著提升准确率（79%→88%），在Terminal-Bench上超越封闭前沿模型。”
地址：github.com/llm-as-a-verifier/llm-as-a-verifier