Prime Intellect は、verifiers 0.2.0 をリリースし、新しい verifiers.v1 名前空間で提供される書き直されたコアをプレビューしました。最新の評価では、ツール、コンパクション、サブエージェントを備えたコーディングエージェントが実行されるため、v1 はこれらのエージェントワークロードを大規模に実行するように環境を再構築しています。
verifiers は、Prime Intellect のエージェント強化学習（RL）および評価のための環境スタックです。以前のバージョンでは、環境はデータ、エージェントロジック、インフラストラクチャをバンドルしていました。しかし、v1 はそのバンドルを3つの構成可能な部分に分割します。タスクセットは作業（データ、ツール、スコアリング）を定義し、ハーネスはタスクを解決してロールアウトを生成します（ReAct ループ、CLI エージェントなど）。ロールアウトはランタイム（ローカルまたはサンドボックス）内で実行されます。各部分が疎結合されているため、任意のタスクセットを互換性のある任意のハーネスの下で実行できます。
これらの部分間の通信は、verifiers 管理のインターセプションサーバーを介して行われます。このサーバーはエージェントのランタイムと推論サーバーの間に位置し、リクエストと応答をプロキシすると同時に、トレースを記録し、サンプリングパラメータを設定し、ツール応答を書き換えることができます。これにより、トレーニング中の報酬ハッキングを軽減できます。拡張のために、各サーバーは一定数のロールアウト（デフォルト32）を多重化し、プールは観測された同時実行性に応じて弾力的にスケールします。サーバーはこれらのリクエストを中継するクライアントも所有します。評価中は EvalClient がブラインド HTTP プロキシとして機能し、トレーニング中は TrainClient がレンダラーをラップして忠実なトークンレベルの RL トレーニングを実現します。
ハーネスは異なるプロトコルを使用するため、verifiers は現在 OpenAI Chat Completions、OpenAI Responses、Anthropic Messages の3つをサポートしています。方言アダプターが各ワイヤーフォーマットを正規化された vf.types に変換するため、スコアリングロジックはテスト対象のエージェントから独立しています。
v0 と比較して、v1 の環境モデルはデータ、ロジック、インフラを分離し、トレースの成長はターンあたりの二次関数から線形に改善され、非線形ロールアウトとサブエージェントをネイティブにサポートし、ランタイム管理はフレームワークが自動化し、ハーネスの結合は疎結合になり、トレーニングデータはトレースから直接消費されます。
実際の使用例として、Nemotron 3 Ultra を Terminal-Bench 2 で Codex ハーネスと共に実行できます。同様に、Harbor データセットは報酬ロジックを書き換えることなく再利用可能です。Prime Intellect は Terminal Bench 2 をわずかなクラスで v1 に移植し、内部テストでは verifiers が同じタスクで Harbor と同等のパフォーマンスを達成しました。Harbor は最初の完全サポートサードパーティ形式であり、NeMo Gym と OpenEnv はアルファサポートです。
トレーニング面では、同じ環境を prime-rl に直接接続できます。長さペナルティのアブレーション実験では、GLM-4.5-Air が6台の H200 ノードで ScaleSWE を使用して2日間トレーニングされ、SWE-Bench-Verified で評価され、安定したエージェントトレーニングを示しました。
各実行は、データとスコアリングを定義するタスクセットから始まり、ハーネスに依存しません。例えば、加算タスクセットを定義できます。任意のタスクセットは、TOML と CLI を介して選択したハーネスの下で実行できます。
主なポイント：v1 は環境をタスクセット、ハーネス、ランタイムに分割し、インターセプションサーバーがリクエストをプロキシしてトレースを記録し、線形メッセージグラフトレースが長期的なトレーニングを可能にし、prime-rl トレーニングを完全にサポートし、Harbor データセットと一般的なハーネスがすぐに使えます。