llm-verifier-reliability：NeurIPS 2026 Verify-Agents Workshop 论文验证实验代码与数据发布

该仓库发布 NeurIPS 2026 Verify-Agents Workshop 论文的验证可靠性实验代码与数据，共 64,800 次 verification calls，覆盖 HumanEval+、MATH、GPQA-Diamond 三个领域、每域 150 题，报告 headline +13.1 pp 的 self-preference gap。代码为 MIT 许可，派生产物为 CC BY 4.0；GPQA-Diamond 题目文本被隐去，需 HF_TOKEN 本地恢复。