EL
Geodi, ο επίσημος χαρακτήρας pixel του GEODE
Επιστροφή στην αίθουσα

GEODE

Autonomous Agent Harness

Από την παρατήρηση στην επόμενη ενέργεια.

Ένα τοπικό πλαίσιο αυτόνομου πράκτορα στο οποίο ανατίθενται έρευνα, εργασίες με αρχεία και προγραμματισμένες εργασίες.

2026.02.21 — present

Σχεδιασμός, κρίση, επαλήθευση: Author · υλοποίηση: Claude · αναθεώρηση: Codex

  • CLIΔημοσιευμένο · PyPI
  • Διακομιστής MCPΥλοποιημένο

Η αποδοχή υποψηφίου και η εξουσία έκδοσης είναι χωριστές κρίσεις.

Το Crucible είναι πυρήνας πειραμάτων χωριστός από την αναζήτηση πολιτικής. Ένα υποψήφιο commit επικυρώνεται απέναντι στις επιτρεπόμενες επιφάνειες και σε ένα παγωμένο συμβόλαιο, οι ζευγαρωτές εργασίες συγκεντρώνονται σε χωριστό checkout μέτρησης, και το αποτέλεσμα είναι KEEP, REJECT ή INVALID.

Χάρτης Crucible · σχεδιασμένος από το σταθερό commit 9e2c041 και τα δημόσια τεχνουργήματα 23e3428
Χάρτης Crucible του GEODEΠυρήνας πειραμάτων που κρατά την αποδοχή υποψηφίου, την επιλεξιμότητα sealed και την έκδοση προϊόντος ως χωριστές εξουσίες. Ο supervisor παίρνει ένα υποψήφιο commit από έναν παραγωγό, το ελέγχει απέναντι στην επιτρεπόμενη επιφάνεια και στον frozen evaluator, και εκτελεί εργασίες tau2 σε απομονωμένο checkout μέτρησης. Το promotion.py συγκεντρώνει τα ζευγαρωτά αποτελέσματα ανά προκαταχωρισμένο task και family σε KEEP, REJECT ή INVALID, και το KEEP μετακινεί μόνο το head της αναζήτησης. Η αξιολόγηση sealed κρίνει ένα train bundle με ένα disjoint test pack μίας χρήσης. Ακόμη και το ELIGIBLE φτάνει μόνο σε ένα eligible ref, χωρίς εξουσία έκδοσης.Μοντέλα actor · userr14 · r35: gpt-5.4/highΠεριβάλλον tau2εργασίες · προσομοιωμένος χρήστηςΈκδοση προϊόντος GEODEχωρίς σύνδεση · χωριστή εξουσίαsearch/producersεντολή παραγωγού · ρυθμισμένηreplay producersearch/supervisor.pypropose → preflightevaluate → decide → recordcontract.pyεπιτρεπόμενη επιφάνεια · diff υποψηφίουfrozen evaluator · προκαταχωρισμένοςattempt/feedback.jsonκωδικοί αποτυχίας · ID εργασιών trainmeasurement checkoutαπομονωμένο από τον παραγωγόassays/εκτέλεση tau2 · receiptεπαληθευτής εργασίαςpromotion.pyσυγκέντρωση paired · task · familyKEEP · REJECT · INVALIDattestation/bundle.pytrain bundle · επανυπολογισμένο KEEPattestation/sealed.pydisjoint test pack · μίας χρήσηςELIGIBLE · release_authority nonerefs/cruciblesearch/* headeligible/*geode-eval-artifactsr14 · train KEEP → sealed REJECTr35 · INVALID · 0 ζεύγη · nullevolve/crucibleεξωτερικός πυρήνας πειραμάτων · χωριστός από το SILαναζήτηση · ετυμηγορία trainattestation · sealed1 αίτημα υποψηφίου · propose → preflight → search/producers12 ένα υποψήφιο commit · search/producers → propose → preflight23 επιτρεπόμενη επιφάνεια · έλεγχος diff · propose → preflight → επιτρεπόμενη επιφάνεια · diff υποψηφίου34απομονωμένο checkout5εκτέλεση με σταθερό συμβόλαιο6διάλογος actor · χρήστη7κλήσεις μοντέλων8paired evidence9προκαταχωρισμένη συγκέντρωση10KEEP · μετακίνηση head1paired evidence2προκαταχωρισμένη συγκέντρωση3REJECT · INVALID4κωδικοί αποτυχίας · ID εργασιών1record · ref receipt2 μόνο train bundle · μία φορά · train bundle · επανυπολογισμένο KEEP → disjoint test pack · μίας χρήσης23 μόνο eligible ref · ELIGIBLE · release_authority none → eligible/*31δημόσιο verdict.json2sealed decision.json

Ετυμηγορία train

Ένας υποψήφιος μέσα στην επιτρεπόμενη επιφάνεια μετριέται με σταθερό συμβόλαιο σε απομονωμένο checkout, και προκαταχωρισμένοι κανόνες αποφασίζουν KEEP, REJECT ή INVALID.

  1. propose → preflightsearch/supervisor.pyαίτημα υποψηφίουsearch/producers

    Ο supervisor της αναζήτησης ζητά υποψήφιο από έναν παραγωγό. Ο υποψήφιος του r14 ήταν παλαιότερος υποψήφιος (r13) που εφάρμοσε ξανά ο replay producer, όχι νέος υποψήφιος παραγμένος από LLM.

  2. search/producersένα υποψήφιο commitpropose → preflightsearch/supervisor.py

    Ένας παραγωγός επιστρέφει ένα μόνο υποψήφιο commit μέσα στις επιτρεπόμενες διαδρομές.

  3. propose → preflightsearch/supervisor.pyεπιτρεπόμενη επιφάνεια · έλεγχος diffεπιτρεπόμενη επιφάνεια · diff υποψηφίουcontract.py

    Το diff του υποψηφίου πρέπει να μένει μέσα στην επιφάνεια που επιτρέπει το συμβόλαιο, και ο frozen evaluator επαληθεύεται. Στα r14 και r35 ο επιτρεπόμενος στόχος ήταν ένα αρχείο, το tau2_agent_policy.md, ενώ το core και η υλοποίηση του Crucible ήταν σταθερά ως διαδρομή του evaluator.

  4. evaluate → decide → recordsearch/supervisor.pyαπομονωμένο checkoutαπομονωμένο από τον παραγωγόmeasurement checkout

    Ο υποψήφιος ελέγχεται σε checkout μέτρησης χωριστό από τον παραγωγό.

  5. απομονωμένο από τον παραγωγόmeasurement checkoutεκτέλεση με σταθερό συμβόλαιοεκτέλεση tau2 · receiptassays/

    Το baseline και ο υποψήφιος εκτελούνται με το ίδιο συμβόλαιο, seed και εργασίες.

  6. εκτέλεση tau2 · receiptassays/διάλογος actor · χρήστηΠεριβάλλον tau2

    Ο πράκτορας GEODE (actor) συνομιλεί με τον προσομοιωμένο χρήστη που ανήκει στον evaluator, στο περιβάλλον εργασιών tau2.

  7. εκτέλεση tau2 · receiptassays/κλήσεις μοντέλωνΜοντέλα actor · user

    Στα r14 και r35 τόσο ο actor όσο και ο προσομοιωμένος χρήστης ήταν gpt-5.4/high (συνδρομή).

  8. επαληθευτής εργασίαςassays/paired evidenceσυγκέντρωση paired · task · familypromotion.py

    Τα αποτελέσματα του επαληθευτή εργασιών κρατούνται ως ζεύγη baseline–υποψηφίου.

  9. frozen evaluator · προκαταχωρισμένοςcontract.pyπροκαταχωρισμένη συγκέντρωσησυγκέντρωση paired · task · familypromotion.py

    Τα ζευγαρωτά αποτελέσματα συγκεντρώνονται ανά task και προκαταχωρισμένο family, και οι συνθήκες προϋπολογισμού, coverage, υποδομής και ασφάλειας ελέγχονται χωριστά.

  10. KEEP · REJECT · INVALIDpromotion.pyKEEP · μετακίνηση headsearch/* headrefs/crucible

    Σε KEEP, το επόμενο head του refs/crucible/search/* γίνεται ο υποψήφιος. Το promotion_authority μιας ετυμηγορίας train είναι none.

Απόρριψη · ακυρότητα · ανατροφοδότηση

Τα REJECT και INVALID κρατούν το head, και ο επόμενος υποψήφιος παίρνει μόνο κωδικούς αποτυχίας και σταθερά ID εργασιών train. Το INVALID δεν είναι μηδενική βαθμολογία.

  1. επαληθευτής εργασίαςassays/paired evidenceσυγκέντρωση paired · task · familypromotion.py

    Τα αποτελέσματα του επαληθευτή εργασιών κρατούνται ως ζεύγη baseline–υποψηφίου.

  2. frozen evaluator · προκαταχωρισμένοςcontract.pyπροκαταχωρισμένη συγκέντρωσησυγκέντρωση paired · task · familypromotion.py

    Τα ζευγαρωτά αποτελέσματα συγκεντρώνονται ανά task και προκαταχωρισμένο family, και οι συνθήκες προϋπολογισμού, coverage, υποδομής και ασφάλειας ελέγχονται χωριστά.

  3. KEEP · REJECT · INVALIDpromotion.pyREJECT · INVALIDκωδικοί αποτυχίας · ID εργασιών trainattempt/feedback.json

    Σε απόρριψη ή ακυρότητα μένει το προηγούμενο head, και ο υποψήφιος και οι καταγραφές του διατηρούνται. Ο μέσος όρος ενός INVALID είναι null, όχι μηδέν.

  4. κωδικοί αποτυχίας · ID εργασιών trainattempt/feedback.jsonκωδικοί αποτυχίας · ID εργασιώνsearch/producers

    Η ανατροφοδότηση προς τον επόμενο υποψήφιο περιορίζεται σε κωδικούς αποτυχίας και σταθερά ID εργασιών train. Δεν μεταβιβάζονται τροχιές ή απαντήσεις του evaluator.

Επιλεξιμότητα sealed · χωριστή εξουσία

Το KEEP του train μετακινεί μόνο το head της αναζήτησης. Η επιλεξιμότητα sealed φτάνει μόνο στο eligible ref, ενώ η έκδοση και η ανάπτυξη του προϊόντος είναι χωριστές εξουσίες έξω από το Crucible.

  1. evaluate → decide → recordsearch/supervisor.pyrecord · ref receipttrain bundle · επανυπολογισμένο KEEPattestation/bundle.py

    Ένα train bundle ισχύει μόνο όταν συνδέονται όλα: συμβόλαιο, τεκμήρια baseline και υποψηφίου, επανυπολογισμένο KEEP, γενεαλογία πρότασης, καταγραφή του supervisor και receipt του εφαρμοσμένου ref. Δεν είναι άλλο όνομα για τη βελτίωση.

  2. train bundle · επανυπολογισμένο KEEPattestation/bundle.pyμόνο train bundle · μία φοράdisjoint test pack · μίας χρήσηςattestation/sealed.py

    Η αξιολόγηση sealed χρησιμοποιεί μία φορά ένα test pack ξένο προς το train, με μηδέν επαναλήψεις υποδομής.

  3. ELIGIBLE · release_authority noneattestation/sealed.pyμόνο eligible refeligible/*refs/crucible

    Ακόμη και το ELIGIBLE γράφει μόνο στο refs/crucible/eligible/*, και το release_authority είναι σταθερά none.

Δημόσιες καταγραφές · r14 · r35

Το r14 ήταν train KEEP και έπειτα sealed REJECT. Το r35 (July 13, 2026) ήταν INVALID λόγω ελλιπούς coverage και μόλυνσης υποδομής (0 ζευγαρωτές γραμμές, μέσος όρος null), με το head αμετάβλητο.

  1. KEEP · REJECT · INVALIDpromotion.pyδημόσιο verdict.jsongeode-eval-artifacts

    Τα δημόσια τεχνουργήματα είναι κανονικοποιημένες καταγραφές σταθεροποιημένες στο 23e3428. Το προκαταχωρισμένο hash ρυθμίσεων train του r14 διαφέρει από τα δημόσια bytes ρυθμίσεων, οπότε ολόκληρη η αρχική αλυσίδα δεν πιστοποιείται ξανά.

  2. attestation/sealed.pysealed decision.jsonr14 · train KEEP → sealed REJECTgeode-eval-artifacts

    r14: KEEP στο telecom train, 6 εργασίες × 1 δοκιμή (6 ζευγαρωτές γραμμές, χωρίς εξουσία προαγωγής), και έπειτα χωριστή ετυμηγορία sealed REJECT (χωρίς εξουσία έκδοσης).

Κάθε σύνδεση με το ίδιο πάχος. Επιλέξτε μια ροή για να επισημανθεί μόνο η διαδρομή της, με αριθμημένα βήματα.

  • Συνεχής · η κατεύθυνση ροής αιτημάτων, υποψηφίων και αποτελεσμάτων
  • Διακεκομμένη · εκτέλεση, κρίση, εξουσιοδότηση, ρύθμιση
  • Παχιά μαύρη γραμμή · η επιλεγμένη ροή, οι αριθμοί δίνουν τη σειρά
  • Κουτί · όριο κώδικα ή καταγραφής, με τη διαδρομή του στην κεφαλίδα
  • Εσωτερικό τσιπ · στοιχείο σε αυτό το όριο
  • Διακεκομμένο κουτί · εκτός αυτού του ορίου
  • supervisor αναζήτησης
  • συμβόλαιο · ετυμηγορία · βεβαίωση
  • refs · καταγραφές
  • παραγωγοί · εκτέλεση

Το Crucible είναι πυρήνας χωριστός από το SIL, και οι δύο αναζητήσεις δεν είναι μία αλυσίδα που προάγει η μία τους υποψηφίους της άλλης. Το κουτί έκδοσης προϊόντος δεν έχει εισερχόμενη σύνδεση.

Τρεις εξουσίες
Το train KEEP μετακινεί το head της αναζήτησης, το sealed ELIGIBLE καταγράφει ένα eligible ref, και η έκδοση προϊόντος είναι χωριστή απόφαση έξω από το Crucible. Μια προηγούμενη ετυμηγορία δεν παραχωρεί ποτέ μια μεταγενέστερη εξουσία.
Το null δεν είναι μηδέν
Το r35 είχε προγραμματίσει 9 εργασίες × 3 δοκιμές (27 γραμμές ανά arm), αλλά είχε 0 συγκρίσιμα ζεύγη, οπότε ο μέσος όρος και η βελτίωσή του είναι null. Δεν πρόκειται για 27 αποτυχημένες εργασίες ούτε για ποσοστό επιτυχίας 0%.