一个便宜的开源模型，能击败最顶级的闭源模型么？斯坦福最新的一项实验给出了肯定的答案。
在Terminal-Bench 2.1 上，斯坦福研究人员使用 DeepSeek V4 Flash，让它针对同一个任务生成 5 个候选解决方案，再由同一个模型充当“裁判”，利用 LLM-as-a-Verifier 对这些方案进行评分和排序，最后提交得分最高的答案。
结果，准确率从单次生成的 79% 提升到了 88%，超过了 Claude 最新的 Fable 5。更夸张的是，达到这一效果的成本只有后者的大约 1/11。
这件事真正值得关注的，并不是简单的“DeepSeek 击败 Claude”，而是它展示了一条完全不同的模型能力提升路径。
传统的 Agent 工作方式，往往是模型拿到任务后直接给出一个答案。其问题在于，第一次生成并不一定是模型能力的上限。它可能犯错，也可能在多个可行方案中随机选到一个较差的方案。
如果让模型一次生成 5 个答案，就相当于给它增加了 5 次“尝试机会”。但光有多个答案还不够，因为你还需要知道哪个最好。
这就是 LLM-as-a-Verifier 的核心。
它的思路并不复杂：让大语言模型不仅负责“做题”，也负责“阅卷”。
过去很多评测采用 1～5 分这样的粗粒度评分，让模型给一个答案打分，然后直接拿这个分数判断好坏。
LLM-as-a-Verifier 则进一步把评分做细，例如使用 1～20 的评分尺度，同时不只是看模型最终选择了哪个分数，还利用模型对不同评分结果的概率分布，也就是 logprob，计算出更加细致的期望评分。
简单理解，就是不再问模型：“你觉得这个答案是 1 分还是 5 分？”
而是进一步观察：“你有多大把握认为它是 15 分、16 分、17 分……？”
这样得到的评价信号更加细腻，也更适合拿来比较多个候选答案。
在 DeepSeek 的这个实验里，正是利用这种验证机制，让模型从自己生成的多个答案中进行筛选。
生成和验证使用的是同一个 DeepSeek V4 Flash，但两者扮演的是不同角色：前者负责尽可能多地寻找解决方案，后者负责判断这些方案谁更可靠。
过去提升模型性能，主要依赖训练阶段——增加参数、增加数据、训练更强的模型。
但现在，可以尝试把注意力转向 test-time scaling，也就是测试时扩展。
就是说，模型训练完成之后，在真正解决问题的时候，允许它多花一些计算量。
不仅是生成 ，还要验证、排序 、选择，而且这个过程还可以继续扩展。
比如，不只是生成 5 个答案，可以生成更多；不只验证一次，可以重复验证；不只简单地给答案打分，还可以把任务拆成多个维度分别评价。
这也是 LLM-as-a-Verifier 论文更值得关注的地方。
研究人员发现，验证本身同样可以进行“扩展”。
他们使用更加细粒度的评分、完整的评分概率分布，以及重复评估和任务分解等方法，让验证器提供更丰富的信号。
这些信号不仅可以用于从多个答案中挑选最优解，还可以进一步用于强化学习、测试时扩展以及 Agent 的运行监控。
最终，这套方法在 Terminal-Bench V2、SWE-Bench Verified、RoboRewardBench 和 MedAgentBench 等多个 Agent 基准上取得了 SOTA。
当然这并不是说，便宜的开源模型超过了最强闭源模型，而是证明了在足够低的成本下，模型可以通过“多生成＋自验证”把整体性能推到一个新的水平。
这种思路如果拓展开来，对 AI 大模型的发展能提供怎样不一样的方向呢？
热门跟贴