FPGA萌新上路轻量级的话，可以看看VUnit的Python接口（虽然VUnit本身是VHDL/SystemVerilog的），它支持用Python做验证。或者自己搭一个简单的框架：用logging管理日志，用unittest或pytest组织测试用例，参考模型就用普通Python类实现。比对方法上，对于非数字信号（比如状态机输出），可以用字典映射预期值，然后用assert直接比。关键是要把测试向量和模型参数化，比如用JSON或YAML文件配置，这样改测试不用动代码。
维护性方面，一定要写文档说明模型的算法假设和接口。另外，建议加一个随机测试生成和自检循环，用模型自己验证自己的一致性（比如用对称操作），能提前发现模型自己的bug。别让参考模型变得和DUT一样复杂，那就本末倒置了。
cocotb其实可以用的，虽然它主要用来和仿真器协同，但它的异步协程机制用来组织测试场景很方便。你可以用纯Python写参考模型，用cocotb的协程去等待DUT信号，然后调用模型计算预期值，再比对。库方面，除了楼上说的，对于复杂数据结构，可以用Python自带的difflib做差异对比，输出更友好。另外，建议一定要把参考模型和测试平台解耦。模型只负责算法逻辑，输入从文件或者测试平台喂进去，输出到一个标准格式（比如字典或dataclass），然后由专门的比对器去处理。这样模型可以单独测试，复用性也好。
一个小坑：注意仿真时间单位和Python时间模型的同步，避免因为时间不同步导致比对失败。
我最近也在用Python做参考模型，感觉最实用的还是numpy和pandas。如果你处理的是一些数据流或者数组类的输出，numpy的数组操作和比较效率比纯Python循环高太多了。比如你可以把DUT输出和参考模型输出都转成numpy array，然后用np.array_equal或者np.allclose（带误差比较）来比对，一行代码搞定。pandas适合处理表格化的数据，比如带时间戳的序列。代码组织上，建议把参考模型封装成一个类，输入输出接口定义清楚，比对逻辑单独写一个函数或者方法。这样以后模块升级，改起来也方便。
注意别在比对函数里写太多打印，数据量大时会影响速度。可以加一个verbose开关控制日志。
从维护性角度，我推荐用Python的unittest或pytest框架来组织你的测试和比对。
把参考模型当作一个独立的模块，每个测试用例里实例化它，调用它的predict方法得到预期输出。比对部分可以做成一个通用的checker函数，用assert语句判断是否匹配，这样测试失败时框架会给出清晰报告。
对于数据比对，如果只是简单标量，直接==或numpy.allclose就行。复杂数据结构可以用Python的deepdiff库，它能递归比较字典、列表等，并给出具体差异详情，调试时非常省心。
注意模型和DUT的接口时序可能要对齐，比如DUT有延迟，参考模型输出可能要shift一下再比。建议把这种对齐逻辑抽象出来，不要散落在各处。
cocotb其实可以用的，虽然它主要用来和仿真器协同，但它的协程机制很适合处理时序相关的比对。
比如你的DUT输出是流式的，带有时钟周期，用cocotb写一个scoreboard（记分板）来收集DUT的输出，同时用Python写的参考模型也按节拍生成数据，在cocotb的testbench里做实时比对。这样比等仿真结束再统一比对更接近真实验证场景。
另外可以看看PyUVM，它是UVM的Python实现，比SystemVerilog的UVM轻量。如果你以后可能过渡到更正式的验证方法学，现在用PyUVM搭个简单环境，学习曲线平缓些。
避免把参考模型和测试激励硬编码在一起，用配置文件驱动模型参数是个好习惯。
我最近也在用Python做验证模型，感觉最直接好用的就是numpy和pandas。
如果你要处理的数据是数组或者矩阵形式的，比如图像处理模块、DSP模块的输出，用numpy做向量化比对速度会快很多。不用自己写循环，一行代码就能搞定整个数组的对比，还能直接算出误差范围。
pandas适合处理表格化的数据，比如通信协议的解包后的数据包，你可以把DUT输出和参考模型输出都转成DataFrame，然后用pandas的compare功能或者直接相减，能清晰看到哪些位置不匹配。
代码组织上，建议把参考模型封装成一个类，输入输出接口定义清楚。比对逻辑单独写一个函数，这样以后换不同的比对精度或者规则都很方便。
