验证器用于读取机器人策略的候选行为并给出得分，既可用于评估视觉‑语言‑动作策略，也可用于训练这些策略。验证器的形式多样，包括成功检测器、奖励模型、运行时监视器、安全过滤器以及时序逻辑规范等。本文调研了约 150 种验证器，并围绕两个维度进行比较：
可用性指判定的成本、判定出现的时间点以及判定请求的频率。判定越便宜、越早出现、越密集，可用性越高。
可信度指高分对任务实际意义的指示程度。判定越容易被游戏化或自利化，可信度越低。
根据提供判定的主体，验证器可分为四类：
- 人类验证器
- 基于规则和形式化的验证器
- 学习型和预训练验证器
- 模型内在的验证器
在这四类中，我们观察到可信度随可用性的提升而下降。无论判定来源如何，都不存在“免费检查器”。
随后，本文探讨了如何验证验证器本身的可靠性，以及高分到底能说明多少。文献中常见的三种度量是：与人工标签的一致性、所训练策略的性能以及在奖励攻击下的行为。
最后，本文提出了九项度量，用以使验证器的声明可检验，并给出尚待构建的验证器的坐标。
点评