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

Από τα rollouts στα τεκμήρια

Ένα ποσοστό επιτυχίας από μόνο του δεν εξηγεί μια εκτέλεση. Διατηρώ τη σειρά των συμβάντων, τις κλήσεις εργαλείων και τα αποτελέσματά τους, τη γενεαλογία των επαναλήψεων και τα τεκμήρια ανεξάρτητου επαληθευτή, και έπειτα συνδέω τα μέρη που μπορούν να δημοσιευτούν. Τα πειράματα αυτά δείχνουν πώς εξελίχθηκαν τα συμβόλαια καταγραφής και αξιολόγησης.

Ανά πείραμα · με χρονολογική σειρά

Τα έξι πειράματα τοποθετούνται με χρονολογική σειρά και δεν αποτελούν μία συνεχή διαδικασία βελτιστοποίησης. Το SIL δεν τροφοδοτεί αυτόματα το Crucible ή το Jev, και δεν πρόκειται για ισχυρισμό ότι το GEODE της παραγωγής βελτιωνόταν συνεχώς. Οι ημερομηνίες είναι ημερομηνίες πειραμάτων και στιγμιότυπων δημοσίευσης, και τα βέλη χρησιμοποιούνται μόνο για τα στάδια μέσα σε ένα πείραμα.

  1. June 3, 2026 to June 4, 2026SIL · εξωτερική αναζήτηση πολιτικής

    Ένα KEEP από μία επιθεώρηση ελέγχθηκε ξανά με επαναλαμβανόμενη μέτρηση

    ΕρώτημαΒελτίωσε μια αλλαγή πολιτικής τη συμπεριφορά χρήσης εργαλείων πέρα από τον θόρυβο της επιθεώρησης;

    Εξωτερικό πείραμα · εκτός του περιβάλλοντος εκτέλεσης GEODE

    1. Baseline · K=5
    2. Μία αλλαγή πολιτικής
    3. Επιθεώρηση Petri
    4. Επαναλαμβανόμενη μέτρηση
      • Διατήρηση
      • Επαναφορά
    Τι άλλαξε
    Σε αυτό το πείραμα, στη μεμονωμένη επιθεώρηση μιας αλλαγής προστέθηκε επαναλαμβανόμενη μέτρηση πριν από την απόφαση διατήρησης ή επαναφοράς. Προστέθηκαν seeds εξισορροπημένης δυσκολίας και baseline K=5, και τα arms never, random και gate διαχωρίζουν την ολίσθηση χωρίς καμία αλλαγή από τις αποδεκτές αλλαγές.
    Τι τεκμηριώνει
    Στην επαναμέτρηση, ο υποψήφιος που διατηρήθηκε με μία επιθεώρηση βγήκε χειρότερος από το baseline (χαμηλότερο είναι καλύτερο), γι' αυτό η υιοθέτησή του αναιρέθηκε. Το πείραμα κατέληξε ότι δεν υπήρξε ισχυρή βελτίωση. Πρόκειται για επιθεώρηση συμπεριφοράς Petri broken_tool_use, όχι για ανταμοιβή ολοκλήρωσης εργασιών.

  2. July 11, 2026 to July 13, 2026Crucible · εξωτερικός πυρήνας πειραμάτων

    Η παραμονή στην αναζήτηση και η είσοδος στο προϊόν είναι χωριστές ετυμηγορίες

    ΕρώτημαΕίναι τα τεκμήρια για τη διατήρηση ενός υποψηφίου στην αναζήτηση ίδια με τα τεκμήρια για την προαγωγή και την έκδοσή του στο προϊόν;

    Εξωτερικός πυρήνας Crucible · χωριστό checkout μέτρησης

    1. Υποψήφιος · γονική γενεαλογία
    2. Έλεγχος παγωμένου συμβολαίου
    3. Ζευγαρωτή μέτρηση
      • KEEPμόνο σε χωριστή ετυμηγορία sealed
      • REJECT
      • INVALIDnull, όχι 0%
    Τι άλλαξε
    Οι απορριφθέντες και άκυροι υποψήφιοι διατηρούνται με τη γονική τους γενεαλογία, και η επιλογή train, η επιλεξιμότητα sealed και η εξουσία έκδοσης προϊόντος είναι χωριστές καταγραφές.
    Τι τεκμηριώνει
    Το r14 ήταν KEEP στο train (έξι μονάδες εργασιών, μία δοκιμή η καθεμία, χωρίς εξουσία προαγωγής), αλλά η χωριστή ετυμηγορία sealed ήταν REJECT (χωρίς εξουσία προαγωγής στο προϊόν ή έκδοσης). Το r35 είναι INVALID λόγω ελλιπούς coverage και μόλυνσης υποδομής, και χωρίς ζευγαρωτές γραμμές ο μέσος όρος του μένει null. Δεν πρόκειται ούτε για αυτοτροποποίηση του περιβάλλοντος εκτέλεσης ούτε για αλυσίδα ανάπτυξης SIL → Crucible.

  3. July 21, 2026 · July 31, 2026Επιμέλεια · δημοσίευση

    Οι υπόλοιπες καταγραφές ταξινομήθηκαν, και μόνο ό,τι μπορεί να κοινοποιηθεί έγινε αμετάβλητη έκδοση

    ΕρώτημαΤι μπορεί πραγματικά να ανασυντεθεί, και τι μπορεί να κοινοποιηθεί με ασφάλεια;

    1. Ιδιωτική πηγήΚαταγραφή συνεδρίας · τεκμήρια nativeαποτέλεσμα native · μαζί με τον επαληθευτή
      • Κανονικοποιημένα συμβάνταδιατήρηση σειράς · ταυτότητας
    2. Κανονικοποιημένα συμβάνταταυτότητα · σειρά · ζεύγη κλήσης-αποτελέσματος
      • Δημόσιος υποψήφιοςallowlist · απάλειψη · digest
    3. Δημόσιος υποψήφιοςυπό αναθεώρηση
      • Έλεγχοι ακεραιότητας · ιδιωτικότηταςέλεγχος
    4. Έλεγχοι ακεραιότητας · ιδιωτικότηταςζεύξη · γενεαλογία · εύρος
      • Αμετάβλητη έκδοσημόνο αναθεωρημένα bytes
    5. Δημόσιο αποθετήριοΑμετάβλητη έκδοσηmanifest · αποτελέσματα native με αναφορά digest
      • Απομακρυσμένη επανανάγνωσηεπαλήθευση hash
    6. Απομακρυσμένη επανανάγνωσησταθερό SHA-256
    Τι άλλαξε
    Η απογραφή της July 21, 2026 ταξινόμησε καταγραφές διαλόγου, εργαλείων, αναζήτησης και αποφάσεων ανά πηγή, και τα διπλότυπα της ίδιας πηγής δεν μετρήθηκαν ως ανεξάρτητα παραδείγματα. Από τη July 31, 2026, τα geode.trajectory@1 και geode.trajectory-release@1 καθιστούν ρητά την ταυτότητα, τη σειρά συμβάντων, τα ζεύγη κλήσης-αποτελέσματος, την ακεραιότητα εύρους και αναπαραγωγής και τα manifests δεμένα στο περιεχόμενο. Τα μετασχηματισμένα δημόσια αντίγραφα και τα πρωτότυπα έχουν χωριστά digests.
    Τι τεκμηριώνει
    Επιμέλεια εδώ σημαίνει κανονικοποίηση, συσχέτιση, ρητή απάλειψη, γενεαλογία και αποδοχή για δημοσίευση. Δεν ανασυνθέτει κρυφό συλλογισμό ούτε δηλώνει σύνολο δεδομένων έτοιμο για εκπαίδευση. Ένα πλήρες εύρος δεν είναι πλήρης αναπαραγωγή σε επίπεδο bytes όταν τα ιδιωτικά σώματα αντικαθίστανται με digests.

  4. August 25, 2026Learning view

    Ένα rollout και τα τεκμήριά του δέθηκαν μαζί με αναγνωριστικά

    ΕρώτημαΠοια είσοδος, προσπάθεια, ακολουθία συμβάντων και ανταμοιβή ανήκουν μαζί;

    geode.eval-learning-view@2 · σύνδεση με ID και επαληθευμένα digests, όχι αιτιακή σειρά

    1. example
    2. rollout
    3. trajectory
    4. reward

    Την ανταμοιβή την κατέχουν τα native verifier receipts. Οι επαναλήψεις λόγω υποδομής είναι προσπάθειες μέσα σε ένα rollout.

    Τι άλλαξε
    Οι αμετάβλητες τροχιές επαναχρησιμοποιούνται μέσω joins με ορισμένο εύρος, και οι ανταμοιβές μένουν παράγωγες ετικέτες που κατέχει ο αξιολογητής. Οι επαναλήψεις υποδομής δεν προσθέτουν rollouts. Ένα παρατηρημένο 0 διατηρείται και μια ανταμοιβή που λείπει είναι null. Άκυρες ή διακοπείσες προσπάθειες εξαιρούνται από την επιλογή ανταμοιβής. Η εγκυρότητα είναι ιδιότητα του rollout, όχι αυτόματα null ανταμοιβή.
    Τι τεκμηριώνει
    Η εκτέλεση Terminal-Bench fast-3 με Harbor 0.8.0 (τρεις εργασίες, 3/3) και ένα διαγνωστικό Tau2 σε τρεις τομείς (1/3, δύο έγκυρα μηδενικά) δένονται στην ίδια δομή. Είναι υποψήφια για μετεκπαίδευση, όχι σύνολα δεδομένων που χρησιμοποιήθηκαν για εκπαίδευση ούτε τεκμήριο βελτιωμένων βαρών, και ένα αποτέλεσμα τριών εργασιών δεν είναι ακρίβεια όλης της σουίτας.

  5. August 27, 2026 to September 5, 2026Harbor · Terminal-Bench 2.1

    Ένα trial παρήγαγε χωριστά το αποτέλεσμα και την καταγραφή αναπαραγωγής

    ΕρώτημαΠώς μια πραγματική εκτέλεση εργασίας γίνεται αποτέλεσμα και αναπαραγωγή που μπορεί να εξεταστεί;

    1. Παγωμένη εργασία · specορισμένο εκ των προτέρων · πέντε επαναλήψεις
      • Απομονωμένο trialοδηγία · περιβάλλον · όρια
    2. Trial Harbor 0.22.0 · πραγματική εκτέλεσηΑπομονωμένο trialΤο GEODE ως actor
      • Ενέργειες και τελική κατάστασηεκτέλεση
    3. Ενέργειες και τελική κατάστασηπαρατηρημένη συμπεριφορά
      • Επαληθευτής της εργασίαςέλεγχος κατάστασης εργασίας
      • ATIF · προβολή δημόσιων συμβάντωνπροβολή καταγεγραμμένων συμβάντων
    4. Επαληθευτής της εργασίας
      • Ανταμοιβή native · receiptανταμοιβή
    5. Ανταμοιβή native · receipt
      • Ανάλυση επιλεγμένης προσπάθειαςπαγωμένη επιλογή
    6. ATIF · προβολή δημόσιων συμβάντωνμεταεπεξεργασία · όχι νέα εκτέλεση
    7. Ανάλυση επιλεγμένης προσπάθειαςπαγωμένος κανόνας επιλογής
    Τι άλλαξε
    Το παγωμένο spec, κάθε προσπάθεια, το επιλεγμένο αποτέλεσμα, ο επαληθευτής της εργασίας και μια πιστή αλλά περιορισμένη αναπαραγωγή κρατούνται ως χωριστές συνδεδεμένες καταγραφές. Το Harbor 0.22.0 έτρεξε πέντε επαναλήψεις με GPT-5.6 Sol/max, συγκρίνοντας το GEODE (τότε adapter με ένα εργαλείο τερματικού) με το Codex.
    Τι τεκμηριώνει
    Η εργασία κατέχει οδηγίες, περιβάλλον και τεστ, το trial είναι μία προσπάθεια και το job ομαδοποιεί trials. Ο επαληθευτής της εργασίας αποφασίζει την ανταμοιβή, ενώ ο εσωτερικός κριτής ολοκλήρωσης του GEODE είναι ανατροφοδότηση κατά την εκτέλεση. Η δημόσια αναπαραγωγή είναι εκ των υστέρων προβολή καταγεγραμμένων συμβάντων εργαλείων, όχι ακατέργαστο PTY ή νέα εκτέλεση, και δεν επινοήθηκαν εντολές για τα κελιά που λείπουν. Το προκαταχωρισμένο primary δεν μπόρεσε να μετρηθεί.

  6. September 24, 2026 to September 28, 2026Jev · ανάθεση αποφάσεων

    Ένας σωστός υποψήφιος χρειάζεται ακόμη επαλήθευση παράδοσης

    ΕρώτημαΔιατηρεί πράγματι μια ανατεθειμένη κρίση την ποιότητα της εργασίας και την τελική παράδοση;

    1. U8n · εκτέλεση Noul · Harbor 0.22 · ο Astra εκτελεί και επιδιορθώνει, αλλάζει μόνο η δρομολόγηση της κρίσηςΚατάσταση απόφασηςσυμβόλαιο εργασίας · υποψήφιος · παρατηρήσεις εργαλείων
      • Κρίση · Noulείσοδος κρίσης
    2. Κρίση · NoulAstra ή Jev
      • Το GEODE καταναλώνειπιθανότητες συνθηκών
    3. Το GEODE καταναλώνειτεκμηριωμένο: παράδοση, ελλιπή τεκμήρια: αναμονή
      • Τελική παράδοσητεκμηριωμένο
      • Επιδιόρθωση Astraελλιπή τεκμήρια · αναμονή
    4. Τελική παράδοση
      • Ανεξάρτητος έλεγχος αποτελέσματοςπαραδοθέν αποτέλεσμα
    5. Επιδιόρθωση Astraεπόμενος υποψήφιος μετά την ανατροφοδότηση
      • Κρίση · Noulεκ νέου κρίση
      • Τελευταίος υποψήφιος · διατηρημένοςδιατήρηση τελευταίου υποψηφίου
    6. Ανεξάρτητος έλεγχος αποτελέσματοςoracle κανόνων · παραδοθέν αποτέλεσμα
    7. Σταθερά πάνελ U3μόνο κρίση · χωρίς actor, εργαλεία ή Harbor
    8. Εκ των υστέρων διάγνωση · μετά την εκτέλεσηΤελευταίος υποψήφιος · διατηρημένος
      • Εκ των υστέρων διάγνωση oracleεκ των υστέρων έλεγχος
    9. Εκ των υστέρων διάγνωση oracleορθότητα υποψηφίου · χωρίς επίδραση στην παράδοση
    Τι άλλαξε
    Η αποδοχή της κρίσης, η ορθότητα του υποψηφίου και η τελική παράδοση καταγράφονται ως χωριστά αποτελέσματα, και οι γενεαλογίες προετοιμασίας, αποτυχίας και επιδιόρθωσης διατηρούνται στο δημόσιο αντίγραφο. Τα hashes του πρωτοτύπου και του μετασχηματισμένου δημόσιου αντιγράφου μένουν χωριστά.
    Τι τεκμηριώνει
    Στα 11 εκ των υστέρων ζεύγη της διακοπείσας μελέτης U8n, ο τελευταίος υποψήφιος ήταν σωστός και στα δύο arms, όμως η παράδοση ήταν Astra 11/11 και Jev Noul 0/11: η κρίση ελλιπών τεκμηρίων του Jev Noul συγκράτησε την παράδοση. Πρόκειται για εκ των υστέρων ανάλυση και δεν γενικεύεται. Ο δημόσιος αριθμητικός επανυπολογισμός, η εξέταση της αναπαραγωγής και μια νέα ζωντανή εκτέλεση είναι τρεις διαφορετικές διαδικασίες.