随着开源模型能力的不断提升，它们现在可以生成大量高质量的候选解，并以极低的成本验证自身的输出。
例如，我们发现，仅使用 DeepSeek V4 Flash 采样 5 个解，并使用 LLM-as-a-Verifier 对它们进行排序，就能显著提升准确率（79% → 88%），在 Terminal-Bench 测试中超越了封闭边界模型。
立即体验：https://github.com/llm-as-a-verifier/llm-as-a-verifier#self-verification-terminal-bench-21
更多关于验证扩展的内容，请参阅我之前的文章。