Read this paper write-up in English
VeriHarness: Scaling Agentic Verification for Long-Horizon Tasks¶
复现级别：L1 核心机制诊断。 执行证据支持、冲突和共识挑战选择；fixture checker 不等同论文的真实工具环境。
论文信息¶
| 字段 | 内容 |
|---|---|
| 论文链接 | arXiv 2610.00972 |
| 公司/机构 | Google Cloud AI Research（按第一作者署名单位） |
| 首次公开日期 | 2026-10-01（arXiv v1） |
| 原文开源代码 | 否：截至 2026-10-02 未找到原作者公开实现 |
| Adapter | veriharness |
| 本地复现代码 | src/auto_research/agent_research/latest_20261002.py |
原始论文总结¶
背景与主要改动¶
同一基础模型得到 workspace、证据工具和可复用验证技能；disagreement resolver 查证冲突 claim，consensus challenger 主动质疑共同 claim 和遗漏要求。
flowchart LR
I[输入/当前状态] --> M[veriharness 核心机制]
M --> A[可审计中间量]
A --> O[输出/更新状态]原论文关键图¶
原论文关键图：展示论文核心架构、训练流程或系统协议。图片来自原论文，版权归原作者所有；点击图片可查看来源。
核心公式¶
\(score(y)=supported(y)-contradicted(consensus)-\epsilon|claims(y)|\)。
论文离线与线上效果¶
五个长程 workspace benchmark 上，相对单 rollout 平均提高 6.2（Gemini 3.5 Flash）和 6.4 点（Claude Opus 4.8），并发布约 26k rollouts。
本地复现¶
本地对照口径：基线为机制关闭或默认状态，实验组为开启对应核心算子；相对百分比不适用。本批指标只验证不变量、梯度或状态转换，不表示论文规模效果。
- 三种子诊断：
metrics/mechanism-seeds42-44.json diagnostic_only=true，不进入正式能力排名。
复现边界¶
执行证据支持、冲突和共识挑战选择；fixture checker 不等同论文的真实工具环境。