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

Μία πολιτική κάθε φορά, με σταθερή μέτρηση.

Ξεχωριστός βρόχος που τρέχει έξω από το πλαίσιο. Από το baseline εφαρμόζει μία αλλαγή πολιτικής με ορισμένο τύπο, και η ίδια επιθεώρηση Petri και η ίδια πύλη αποφασίζουν ανάμεσα σε KEEP και επαναφορά.

Χάρτης SIL · σχεδιασμένος από τις διαδρομές evolve στο σταθερό commit 9e2c041 και την καταγραφή εκτέλεσης του June 2026
Χάρτης αναζήτησης πολιτικής (SIL) του GEODEΒρόχος αναζήτησης πολιτικής που τρέχει έξω από το περιβάλλον εκτέλεσης. Ένα εγκεκριμένο συμβόλαιο εκτέλεσης σταθεροποιεί προϋπολογισμό, seeds, ρουμπρίκα και μοντέλα, και ο mutator αλλάζει μία πολιτική ανάμεσα σε επτά επιτρεπόμενες επιφάνειες. Το measure.py επιθεωρεί το GEODE με την ίδια διάταξη μέτρησης μέσω Petri. Τα fitness.py και gate.py αποφασίζουν KEEP ή επαναφορά με κανόνες critical οπισθοδρόμησης και προαγωγής, και το ledger.py γράφει το baseline και τις γραμμές αποτελεσμάτων. Η εκτέλεση του June 2026 διαχώρισε τον θόρυβο της επιθεώρησης από την επίδραση της αλλαγής με ένα never arm χωρίς αλλαγή, baseline K=5 και μέτρηση replicate.Έγκριση χειριστήζωντανές κλήσεις · προϋπολογισμόςΕπιθεώρηση Petriauditor · GEODE target · judgeprogram.mdσυμβόλαιο εκτέλεσης · μοντέλα · προϋπολογισμόςκανόνες διακοπής · εκτέλεση μετά από έγκρισηtrain.pyβρόχος σταθερού προϋπολογισμού--replicate K · επαναμέτρησηloop/mutatemutator · ένας υποψήφιος7 επιφάνειες · χωρίς υπερπαραμέτρουςstate/policiesπολιτική βασισμένη σε αρχείοprepare.pyδεξαμενή seeds · σταθερή ρουμπρίκαmeasure.pyυποδιεργασία επιθεώρησης · σταθερό timeoutOVERRIDE · STRICT ανά πολιτικήfitness.pycritical οπισθοδρόμηση · ποινέςledger.pybaseline · provenanceγραμμές results · mutationsgate.py_should_promote · KEEP_reject_and_revertcore · φορτωτές πολιτικώνκλάδος προτροπής · system_prompt.py6 φορτωτές πολιτικών · tool, skill…run-2606-broken-tool-usebaseline gen-0 · μέσος όρος 5 επιθεωρήσεωνnever arm · ομάδα ελέγχου χωρίς αλλαγήarms random · gatereplicate · επαναμέτρηση ενός KEEPevolve/scaffold_searchεξωτερικός βρόχος αναζήτησης · εκτός περιβάλλοντος εκτέλεσηςυποψήφια αλλαγήμία ανά εκτέλεσηδιάταξη μέτρησηςσταθερή κατά τη σύγκρισηrun-2606 · June 3–4, 2026broken_tool_useΤο GEODE υπό επιθεώρησηαλλάζουν μόνο επιτρεπόμενες πολιτικές1 έγκριση · Έγκριση χειριστή → συμβόλαιο εκτέλεσης · μοντέλα · προϋπολογισμός12 συμβόλαιο εκτέλεσης · συμβόλαιο εκτέλεσης · μοντέλα · προϋπολογισμός → βρόχος σταθερού προϋπολογισμού23 αίτημα για έναν υποψήφιο · βρόχος σταθερού προϋπολογισμού → mutator · ένας υποψήφιος34αλλαγή πολιτικής · mutation ID5 seeds · σταθερή ρουμπρίκα · δεξαμενή seeds · σταθερή ρουμπρίκα → υποδιεργασία επιθεώρησης · σταθερό timeout56επιλεγμένη πολιτική7διαδρομές override ανά πολιτική8audit subprocess9διάλογος επιθεώρησης1βαθμολογίες διαστάσεων2 baseline · provenance · baseline · provenance → critical οπισθοδρόμηση · ποινές23 fitness · αιτίες οπισθοδρόμησης · critical οπισθοδρόμηση · ποινές → _should_promote · KEEP34KEEP · επόμενο baseline5REJECT · επαναφορά προηγούμενου6γραμμή αποτελέσματος · ετυμηγορίας1τρία arms2baseline μέσου όρου K=53μέτρηση χωρίς αλλαγή4--replicate K5επαναμέτρηση → επαναφορά

Μία αλλαγή → επιθεώρηση

Με σταθερό το συμβόλαιο εκτέλεσης, αλλάζει μία επιτρεπόμενη πολιτική και το GEODE επιθεωρείται με την ίδια διάταξη μέτρησης. Δεν πρόκειται για το προϊόν εν λειτουργία που ξαναγράφει τον εαυτό του.

  1. Έγκριση χειριστήέγκρισησυμβόλαιο εκτέλεσης · μοντέλα · προϋπολογισμόςprogram.md

    Μια εκτέλεση ξεκινά μόνο αφού εγκριθούν οι ζωντανές κλήσεις και ο σταθερός προϋπολογισμός. Χωρίς έγκριση, μόνο το συμβόλαιο προετοιμάζεται και ελέγχεται εκτός σύνδεσης.

  2. συμβόλαιο εκτέλεσης · μοντέλα · προϋπολογισμόςprogram.mdσυμβόλαιο εκτέλεσηςβρόχος σταθερού προϋπολογισμούtrain.py

    Οι εκδόσεις seed και ρουμπρίκας, τα μοντέλα ρόλων και οι πηγές διαπιστευτηρίων, οι ρυθμίσεις μέτρησης, οι προϋπολογισμοί επαναλήψεων, χρόνου και κόστους, η πολιτική προαγωγής και οι συνθήκες διακοπής σταθεροποιούνται πριν από την εκτέλεση.

  3. βρόχος σταθερού προϋπολογισμούtrain.pyαίτημα για έναν υποψήφιοmutator · ένας υποψήφιοςloop/mutate

    Μία τεκμηριωμένη υπόθεση αλλάζει μία επιτρεπόμενη επιφάνεια πολιτικής.

  4. 7 επιφάνειες · χωρίς υπερπαραμέτρουςloop/mutateαλλαγή πολιτικής · mutation IDπολιτική βασισμένη σε αρχείοstate/policies

    Μόνο επτά επιφάνειες μπορούν να αλλάξουν: η προτροπή wrapper, η πολιτική εργαλείων, οι συμβουλές αποσύνθεσης, το reflection, τα μεταδεδομένα του καταλόγου δεξιοτήτων, το συμβόλαιο πράκτορα (role, system_prompt, tools) και οι περιγραφές και υποδείξεις εργαλείων. Οι αλλαγές υπερπαραμέτρων απορρίπτονται τόσο στην ανάλυση όσο και στην εφαρμογή. Η εφαρμογή πολιτικής, η επαναμέτρηση και ένα προαιρετικό commit είναι χωριστά βήματα, οπότε η εφαρμογή δεν είναι από μόνη της επιθεώρηση.

  5. δεξαμενή seeds · σταθερή ρουμπρίκαprepare.pyseeds · σταθερή ρουμπρίκαυποδιεργασία επιθεώρησης · σταθερό timeoutmeasure.py

    Το prepare.py είναι η σταθερή αναφορά για τη δεξαμενή seeds και τη ρουμπρίκα, και οι υποψήφιοι δεν το αλλάζουν. Η αλλαγή μιας μονάδας μέτρησης αλλάζει τη μέτρηση, όχι το υπό δοκιμή σύστημα.

  6. πολιτική βασισμένη σε αρχείοstate/policiesεπιλεγμένη πολιτικήOVERRIDE · STRICT ανά πολιτικήmeasure.py

    Το measure.py διαβάζει το τρέχον επιλεγμένο αρχείο πολιτικής και το περνά στο περιβάλλον επιθεώρησης.

  7. OVERRIDE · STRICT ανά πολιτικήmeasure.pyδιαδρομές override ανά πολιτικήcore · φορτωτές πολιτικών

    Το measure.py περνά στην υποδιεργασία επιθεώρησης τη διαδρομή wrapper και τις διαδρομές override και strict ανά πολιτική, και ο αντίστοιχος φορτωτής πολιτικής του περιβάλλοντος εκτέλεσης διαβάζει την καθεμία. Το wrapper (GEODE_WRAPPER_OVERRIDE → system_prompt) είναι ένας κλάδος, και επιπλέον κλειδιά περιβάλλοντος δεν διευρύνουν τις επτά μεταβλητές επιφάνειες. Ένα επεξεργασμένο αρχείο από μόνο του δεν αποδεικνύει ότι ο υποψήφιος έφτασε στον στόχο. Αυτό το επιβεβαιώνει η διάγνωση των τεκμηρίων της επιθεώρησης.

  8. υποδιεργασία επιθεώρησης · σταθερό timeoutmeasure.pyaudit subprocessΕπιθεώρηση Petri

    Η επιθεώρηση τρέχει με σταθερό timeout και προϋπολογισμό, που δεν αλλάζουν ποτέ στη μέση μιας σύγκρισης. Η έξοδος που λείπει είναι διαγνωστικό κενό, όχι βαθμολογία μηδέν.

  9. Επιθεώρηση Petriδιάλογος επιθεώρησηςcore · φορτωτές πολιτικών

    Ο επιθεωρητής συνομιλεί με το GEODE μέσω του σεναρίου του seed, και ο κριτής βαθμολογεί το πρακτικό.

Ετυμηγορία → διατήρηση · επαναφορά

Σε σύγκριση με το baseline του ίδιου συμβολαίου, οι critical οπισθοδρομήσεις και ο κανόνας προαγωγής αποφασίζουν το KEEP. Μια απορριφθείσα αλλαγή επαναφέρεται στην καταγεγραμμένη προηγούμενη τιμή της.

  1. Επιθεώρηση Petriβαθμολογίες διαστάσεωνcritical οπισθοδρόμηση · ποινέςfitness.py

    Οι βαθμολογίες συνοδεύονται από τις διαστάσεις που λείπουν και τα πλήθη δειγμάτων. Μια διάσταση που δεν μετρήθηκε δεν διαβάζεται ως παρατήρηση.

  2. baseline · provenanceledger.pybaseline · provenancecritical οπισθοδρόμηση · ποινέςfitness.py

    Η σύγκριση γίνεται μόνο με baseline που έχει το ίδιο καταγεγραμμένο συμβόλαιο και epoch. Ένας νέος κλάδος Git δεν απομονώνει την κατάσταση του baseline.

  3. critical οπισθοδρόμηση · ποινέςfitness.pyfitness · αιτίες οπισθοδρόμησης_should_promote · KEEPgate.py

    Πρώτα ελέγχονται οι οπισθοδρομήσεις σε critical διαστάσεις και οι βοηθητικές ποινές, έπειτα το margin ή ο έλεγχος της διάστασης-στόχου. Μια θετική βαθμωτή τιμή από μόνη της δεν οδηγεί ποτέ σε προαγωγή.

  4. _should_promote · KEEPgate.pyKEEP · επόμενο baselinebaseline · provenanceledger.py

    Ένας υποψήφιος που διατηρείται γίνεται το επόμενο baseline. Ένας υποψήφιος που διατηρήθηκε τοπικά δεν είναι merge στο αποθετήριο ούτε έκδοση.

  5. _reject_and_revertgate.pyREJECT · επαναφορά προηγούμενουπολιτική βασισμένη σε αρχείοstate/policies

    Για υποψήφιο που έφτιαξε ο runner, επαναφέρεται η ενότητα πολιτικής που καταγράφηκε με το mutation ID του, και μια αποτυχημένη επαναφορά επισημαίνεται. Οι χειροκίνητες αλλαγές δεν επαναφέρονται αυτόματα, και μια αβέβαιη επαναφορά σταματά τον επόμενο υποψήφιο.

  6. _should_promote · KEEPgate.pyγραμμή αποτελέσματος · ετυμηγορίαςγραμμές results · mutationsledger.py

    Η μέτρηση, η ετυμηγορία και η προέλευση γράφονται μία φορά ως γραμμές αποτελεσμάτων. Οι παλαιότερες γραμμές δεν ξαναγράφονται ποτέ.

Ομάδες ελέγχου · μέτρηση replicate

Εκτέλεση June 2026: ένα never arm χωρίς αλλαγή και ένα baseline K=5 μέτρησαν χωριστά τον θόρυβο της επιθεώρησης, και ένα KEEP μίας μόνο επιθεώρησης ελέγχθηκε ξανά με replicates.

  1. run-2606-broken-tool-useτρία armsβρόχος σταθερού προϋπολογισμούtrain.py

    Η εκτέλεση της June 3–4, 2026 διαχώρισε την ολίσθηση από την επίδραση της αλλαγής με τρία arms: never (χωρίς αλλαγή), random (τυχαία αποδοχή) και gate (αποδοχή από την ετυμηγορία). Ο στόχος ήταν το GPT-5.5, ενώ επιθεωρητής και κριτής ήταν το Claude Opus 4.8.

  2. baseline gen-0 · μέσος όρος 5 επιθεωρήσεωνrun-2606-broken-tool-usebaseline μέσου όρου K=5baseline · provenanceledger.py

    Το baseline του gen-0 ήταν ο μέσος όρος πέντε επιθεωρήσεων (Petri broken_tool_use, χαμηλότερο είναι καλύτερο, μέσος όρος 2.667).

  3. never arm · ομάδα ελέγχου χωρίς αλλαγήrun-2606-broken-tool-useμέτρηση χωρίς αλλαγήυποδιεργασία επιθεώρησης · σταθερό timeoutmeasure.py

    Το never arm ολίσθησε σε μέσο όρο 3.38 χωρίς καμία αλλαγή πολιτικής (10 επιθεωρήσεις, χαμηλότερο είναι καλύτερο): άμεσο τεκμήριο ότι ο θόρυβος της επιθεώρησης ξεπέρασε την επίδραση της αλλαγής.

  4. --replicate K · επαναμέτρησηtrain.py--replicate Kυποδιεργασία επιθεώρησης · σταθερό timeoutmeasure.py

    Ο ίδιος υποψήφιος μετριέται K ακόμη φορές με τις ίδιες συνθήκες, ώστε να φιλτραριστεί μια τυχερή μεμονωμένη επιθεώρηση.

  5. replicate · επαναμέτρηση ενός KEEPrun-2606-broken-tool-useεπαναμέτρηση → επαναφορά_reject_and_revertgate.py

    Ένας υποψήφιος που διατηρήθηκε με μία μόνο επιθεώρηση gate (1.6) μέτρησε 3.0–3.8 στα replicates, χειρότερα από το baseline, οπότε επανήλθε ο champion 2.667. Το συμπέρασμα της εκτέλεσης ήταν ότι δεν υπήρξε σαφής βελτίωση.

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
  • Μακριά παύλα-τελεία · καταγραφές και παρατήρηση, χωριστά από την ετυμηγορία
  • 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
  • βρόχος · εκτέλεση μέτρησης
  • συμβόλαιο · ετυμηγορία
  • πολιτική · καταγραφές
  • αλλαγή · στόχος επιθεώρησης · καταγραφή εκτέλεσης

Ο οδηγός SIL του GEODE ονομάζεται autoresearch. Η δομή prepare/train/program και ο σταθερός προϋπολογισμός του εμπνέονται από το autoresearch του Karpathy. Κανένα βάρος μοντέλου δεν αλλάζει, και η διάταξη μέτρησης και ο προϋπολογισμός μένουν σταθερά κατά τη σύγκριση.

Τι μπορεί να αλλάξει
Επτά επιφάνειες: η προτροπή wrapper, η πολιτική εργαλείων, οι συμβουλές αποσύνθεσης, το reflection, τα μεταδεδομένα του καταλόγου δεξιοτήτων, το συμβόλαιο πράκτορα και οι περιγραφές και υποδείξεις εργαλείων. Ο αξιολογητής, ο προϋπολογισμός, τα seeds και η ρουμπρίκα μένουν σταθερά κατά τη σύγκριση.
Εύρος της καταγραφής εκτέλεσης
Οι τιμές του run-2606 είναι οι μέσοι όροι Petri broken_tool_use εκείνης της εκτέλεσης (χαμηλότερο είναι καλύτερο). Δεν αποτελούν τεκμήριο σωρευτικής βελτίωσης του SIL ή γενίκευσης.