编译摘要
1. 浓缩
- 核心结论 1：证据可见还不够，judge 还需要知道“该检查什么、按什么过程检查”。
- 关键证据：每个 SkillTV case 同时提供 trajectory、task-time skills、artifact 与可检查环境；JudgeSkill 显式生成 inspection plan 与 inspection log。
- 核心结论 2：验证知识本身可以外化为可复用资产，而不必修改 judge 模型参数。
- 关键证据：同一 agent judge 使用 refined JudgeSkill 后 accuracy 从 43.8% 提升到 58.6%，balanced accuracy 从 56.8% 提升到 63.4%。
- 核心结论 3：judge 改善可以传导到 rollout selection，而不只是离线评分。
- 关键证据：10-rollout 条件下，使用 refined JudgeSkill 的 selected-trajectory success 为 45.5%，高于无 refined skill 的 33.9%。
2. 质疑
- JudgeSkill 同时改变检查知识、检查顺序与实际执行步骤，因此不能把 +14.8pp 解释成单一“知识变量”的纯因果效应。
- benchmark 与 skill evolution 使用 task-disjoint split，降低直接泄漏，但 JudgeSkill 仍可能学习该 benchmark 家族的共性验证模式。
- verifier-side hidden label 提供稳定裁决锚点，但其 reference correctness 本身不在本研究的主要操纵范围。
3. 对标
- 对 EX-002：在 physical visibility 与 active inspection 之间补出第三层——inspection procedure / verification knowledge。
- 对 EX-007：JudgeSkill evolution 使用固定 gate 且不改模型参数，是“变更对象可分离”的较干净实例，但仍不是完整 offline→online 安全晋级证据。
- 对 Verifiable-Agent-Engineering：生产验证不只是“给 judge 工具”，还要把领域性检查程序显式化、版本化并可审计。
关联概念