论文导读
英伟达、加州大学洛杉矶分校、加州大学伯克利分校、斯坦福大学提出VeriFine，让具身AI与评分裁判交替改进。AI的新错误用于调整训练题，裁判遇到判断瓶颈时再引入人工反馈。在驾驶推理实验中，固定评分器测得成绩从60.56提高到71.61，相对增加18.2%，验证能力与策略学习形成连续反馈。
AI变强之后，旧裁判可能跟不上
一个评分器可以帮助模型找错，但训练中的错误形态会变化。模型学会解决旧问题之后，可能出现新的误判，也可能找到评分规则的空隙。一直使用同一个裁判，训练反馈未必还能准确指向下一步改进。
VeriFine把策略学习和裁判更新拆成两条相互连接的循环。策略先做任务，裁判诊断重复出现的错误，再挑选适合继续训练的样本。进步停滞、判断能力成为瓶颈时，另一条循环才开始校准裁判。
研究关注驾驶与机器人导航中的推理，包括对象位置、动作因果和决策说明。成绩衡量的是给定场景中的推理质量，不是车辆已经具备独立安全上路的证明。
图：三轮驾驶推理分与裁判相关性变化，下方展示道路和室内导航例子。
先找重复错误，再让人校准裁判
策略改进循环把反复失败的情形转成样本筛选条件，安排针对性训练。它既优先选择模型还没解决的问题，也过滤不可靠的训练目标，避免只把大量旧题再做一遍。
裁判改进循环选择有信息量的判断分歧，向人类获取指导，再通过共同校准调整评分要求。更新后的裁判接着负责下一轮样本选择和训练反馈，让新错误能进入下一轮学习。
系统采用较强教师裁判与较小学生裁判的组合。教师用于细化判断和人工校准，较小模型承接大量评分工作。论文还保留固定参考评分器比较不同轮次的策略，避免只因裁判标准变了就宣布策略提高。
图：策略改进与裁判改进两条循环，人工反馈用于校准裁判判断。
推理分提高18.2%，轨迹误差另算
驾驶推理实验进行三轮改进。固定参考评分器下，基础策略得分60.56，三轮结束依次为67.30、70.59和71.61，最终相对提高18.2%。使用最终无参考裁判评分时，成绩从68.05到83.13，两个评分口径不能混在一起。
固定策略测试集有2772条样本，与用于发现问题的锚点集分开。裁判测试标签冻结，不参与规则细化。论文也匹配不同策略的训练集规模与优化预算，让对比尽量围绕数据选择与裁判反馈展开。
裁判与人类评分的相关性随迭代提高，最终学生裁判达到0.82。驾驶轨迹平均误差从2.139米变为2.117米，变化远小于推理得分增幅。不能把18.2%写成驾驶成功率或安全性提高同样多，这些指标测量的对象不同。
图：裁判与人类评分的校准、相关性误差及候选预算对照图。
下一步，把评分更新纳入持续训练流程
论文在机器人导航上也检查了类似循环，展示了对场景中物体与位置描述的改进。更新评分能力可以帮助团队安排训练题，但仍要保留独立测试与人工核查，检验评分器是否真的更接近目标。
对于持续训练的具身系统，后续需要跟踪新错误出现时裁判多久能发现、人工反馈成本是多少，以及改进能否跨任务保持。VeriFine提供了把这几项工作接入训练流程的方式，实际部署能力仍要用对应物理任务验证。
