Verifier Engineering（验证器工程）是中国科学院、阿里巴巴和小红书联合推出的新型后训练范式，为基础模型设计，解决提供有效监督信号的挑战。Verifier Engineering基于自动化验证器执行验证任务并向基础模型提供反馈，分为搜索、验证和反馈三个阶段，优化模型性能。基于闭环反馈机制，强化模型的泛化能力，是实现人工通用智能的重要步骤。
Verifier Engineering的主要功能搜索（Search）：根据给定指令，从模型输出分布中采样代表性或潜在问题的样本。验证（Verify）：用各种验证器（如规则检测、评估指标或手动注释）来评估生成的候选响应。反馈（Feedback）：基于验证结果监督式微调或上下文学习等方法增强模型性能。提升模型性能：基于闭环反馈循环，持续改进模型的准确性和可靠性。Verifier Engineering的技术原理目标条件马尔可夫决策过程（GC-MDP）：将验证器工程形式化为GC-MDP，包括状态空间、动作空间、转移函数、目标空间、目标分布和奖励函数。搜索结构：线性搜索和树搜索，在状态-动作空间中导航，平衡探索和利用。验证器分类：根据验证形式（二进制、分数、排名、文本反馈）、验证粒度（标记级、思想级、轨迹级）、验证器来源（基于程序、基于模型）和是否需要额外训练分类验证器。反馈方法：基于训练的反馈：基于数据高效地更新模型参数。基于推理的反馈：在推理过程中修改输入或策略，不改变模型参数。Verifier Engineering的项目地址GitHub仓库：https://github.com/icip-cas/Verifier-EngineeringHuggingFace模型库：https://huggingface.co/papers/2411.11504arXiv技术论文：https://arxiv.org/pdf/2411.11504Verifier Engineering的应用场景自然语言处理（NLP）：机器翻译、文本摘要、情感分析、问答系统、对话系统等，基于验证器工程提升模型的语言理解和生成能力。代码生成与编程辅助：辅助开发人员编写、调试代码，自动生成代码片段，及优化代码质量。教育和学术研究：构建智能教育助手，提供个性化学习建议，自动评估学生作业和论文。内容审核与安全：检测和过滤不当内容，如仇恨言论、假信息和违反政策的内容，确保平台内容的安全性。知识问答和搜索引擎：提高搜索引擎的准确性，提供更相关和准确的信息检索结果。 
