TwinCheck
一种面向有状态工具调用智能体的推理阶段验证策略，通过构造「负孪生」反事实候选和成对验证器的双向排序一致性检验，精确识别并修复错误工具调用，同时避免有效干预与重采样噪声混淆
时间轴 (近 90 天)
TwinCheck 是一种在推理阶段运行的验证策略，通过构造与当前轨迹绑定的反事实候选动作（负孪生）来验证是否替换智能体的提议动作
TwinCheck 只在执行轨迹满足与轨迹局部失败假设绑定的证据条件时才进入替换考量流程
TwinCheck 只有当负孪生同时通过结构性检查，并且成对验证器在两种候选排序下都偏好它时，才会替换智能体原本的提议
TwinCheck 引入精确重放的成对评估方法，保持智能体已解析的响应和动作固定不变直到出现第一个被接受的替换，以分离干预效果与重采样噪声
研究者选取了159个具备完整精确重放配对数据的多轮BFCL V4任务进行主要分析
TwinCheck 完整策略将 GPT-5.6 Sol 模型的任务成功率从 45.3% 提升到 58.5%，95%任务自助法置信区间为[8.2, 18.8]
实验中没有观察到任何从成功变为失败的回退
论文《TwinCheck: Evidence-Grounded Negative-Twin Verification for Stateful Tool Agents》发布于arXiv
全部知识事实 (8)
TwinCheck 是一种在推理阶段运行的验证策略，通过构造与当前轨迹绑定的反事实候选动作（负孪生）来验证是否替换智能体的提议动作
50%待验证TwinCheck 只在执行轨迹满足与轨迹局部失败假设绑定的证据条件时才进入替换考量流程
50%待验证TwinCheck 只有当负孪生同时通过结构性检查，并且成对验证器在两种候选排序下都偏好它时，才会替换智能体原本的提议
50%待验证TwinCheck 引入精确重放的成对评估方法，保持智能体已解析的响应和动作固定不变直到出现第一个被接受的替换，以分离干预效果与重采样噪声
50%待验证研究者选取了159个具备完整精确重放配对数据的多轮BFCL V4任务进行主要分析
50%待验证TwinCheck 完整策略将 GPT-5.6 Sol 模型的任务成功率从 45.3% 提升到 58.5%，95%任务自助法置信区间为[8.2, 18.8]
50%待验证实验中没有观察到任何从成功变为失败的回退
50%待验证论文《TwinCheck: Evidence-Grounded Negative-Twin Verification for Stateful Tool Agents》发布于arXiv
50%