Badacze z arXiv przedstawili TwinCheck, nową metodę weryfikacji dla agentów AI, która rozwiązuje krytyczny problem tool-callów - pojedynczy błąd w wyborze lub użyciu narzędzia może zniszczyć cały przebieg inaczej udanego rozumowania agenta. Tradycyjne podejścia do naprawy mogą jednak wprowadzić nowe błędy, dlatego zespół zaproponował metodę opartą na konstruowaniu negatywnych wariantów i faktycznych dowodach anomalii.
TwinCheck działa na zasadzie porównywania wariantów - przed zastąpieniem decyzji agenta system konstruuje alternatywny wariant (negatywnego bliźniaka) i sprawdza go zarówno strukturalnie jak i poprzez weryfikator preferencji. Zastąpienie następuje tylko wtedy, gdy wariant spełnia warunki strukturalne i weryfikator preferuje go niezależnie od kolejności porównania. Metodę testowano na 159 wieloetapowych zadaniach z benchmarku BFCL V4 przy użyciu GPT-5.6 Sol z dokładnym powtórzeniem ścieżek.
Wyniki są imponujące - pełna polityka weryfikacji podniosła wskaźnik sukcesu z 45,3% do 58,5%, ze statystycznym przedziałem ufności 95% wynoszącym 8,2 do 18,8 punktów procentowych. Ważne jest, że nie zaobserwowano regresji powodującej przejście od sukcesu do porażki. To podejście zmienia sposób myślenia o naprawie błędów w agentach - zamiast po prostu zastępować decyzje, system traktuje przeciwfaktyczną akcję jako nowy obiekt weryfikacji.