ES
Geodi, el personaje oficial de GEODE en pixel art
Volver a la sala

GEODE

Autonomous Agent Harness

De la observación a la siguiente acción.

Un arnés local de agentes autónomos al que se pueden encargar investigación, trabajo con archivos y tareas programadas.

2026.02.21 — present

Diseño, juicio, verificación: Author · implementación: Claude · revisión: Codex

  • CLIPublicado · PyPI
  • Servidor MCPImplementado

De los rollouts a la evidencia

Una tasa de éxito por sí sola no puede explicar una ejecución. Conservo el orden de los eventos, las llamadas a herramientas y sus resultados, el linaje de reintentos y la evidencia de verificadores independientes, y luego conecto las partes que se pueden publicar. Estos experimentos muestran cómo evolucionaron los contratos de registro y evaluación.

Por experimento · en orden cronológico

Los seis experimentos se ordenan por fecha; no son un único proceso de optimización conectado. SIL no alimenta automáticamente a Crucible ni a Jev, y esto no afirma que GEODE en producción siguiera mejorando. Las fechas son las de los experimentos y de las instantáneas de publicación, y las flechas solo se usan para las etapas dentro de un experimento.

  1. June 3, 2026 to June 4, 2026SIL · búsqueda de políticas externa

    Un KEEP surgido de una sola auditoría se volvió a comprobar con mediciones repetidas

    Pregunta¿Mejoró una mutación de política el uso de herramientas más allá del ruido de auditoría?

    Experimento externo · fuera del runtime de GEODE

    1. Línea base · K=5
    2. Una mutación de política
    3. Auditoría de Petri
    4. Medición repetida
      • Conservar
      • Revertir
    Qué cambió
    En este experimento se añadieron mediciones repetidas a la auditoría única de una mutación antes de decidir conservarla o revertirla. Se añadieron semillas emparejadas por dificultad y una línea base K=5, y los brazos never, random y gate separan la deriva sin cambios de los cambios aceptados.
    Qué respalda
    Al volver a medirlo, el candidato conservado con una sola auditoría resultó peor que la línea base (menor es mejor), así que se revirtió su adopción. Este experimento concluyó sin una mejora robusta. Es una auditoría de comportamiento Petri broken_tool_use, no una recompensa por completar tareas.

  2. July 11, 2026 to July 13, 2026Crucible · núcleo de experimentación externo

    Permanecer en la búsqueda y llegar al producto son veredictos separados

    Pregunta¿La evidencia para mantener un candidato en la búsqueda es la misma que para promoverlo y publicarlo en el producto?

    Núcleo Crucible externo · checkout de medición separado

    1. Candidato · linaje padre
    2. Comprobación del contrato congelado
    3. Medición pareada
      • KEEPsolo hacia un veredicto sellado aparte
      • REJECT
      • INVALIDnull, no 0%
    Qué cambió
    Los candidatos rechazados e inválidos se conservan con su linaje padre, y la selección en train, la elegibilidad sellada y la autoridad de publicación del producto son registros separados.
    Qué respalda
    r14 fue KEEP en train (seis unidades de tareas, un ensayo cada una, sin autoridad de promoción), pero su veredicto sellado aparte fue REJECT (sin autoridad de promoción ni de publicación del producto). r35 es INVALID por cobertura incompleta y contaminación de infraestructura; sin filas pareadas, su media queda en null. No es una automodificación del runtime ni una cadena de despliegue SIL → Crucible.

  3. July 21, 2026 · July 31, 2026Refinamiento · publicación

    Se clasificaron los registros restantes, y solo lo que puede compartirse se convirtió en una versión inmutable

    Pregunta¿Qué se puede reconstruir realmente y qué se puede compartir con seguridad?

    1. Fuente privadaRegistro de sesión · evidencia nativaresultado nativo · verificador incluido
      • Eventos normalizadosconservar orden · identidad
    2. Eventos normalizadosidentidad · orden · pares llamada-resultado
      • Candidato públicolista de permitidos · ocultar · digest
    3. Candidato públicoen revisión
      • Comprobaciones de integridad · privacidadcomprobar
    4. Comprobaciones de integridad · privacidademparejamiento · linaje · alcance
      • Versión inmutablesolo bytes revisados
    5. Repositorio públicoVersión inmutablemanifest · resultados nativos referenciados por digest
      • Relectura remotaverificar el hash
    6. Relectura remotaSHA-256 fijado
    Qué cambió
    El inventario del July 21, 2026 clasificó por fuente los registros de diálogo, herramientas, búsqueda y decisión, y los duplicados de una misma fuente no se contaron como ejemplos independientes. Desde el July 31, 2026, geode.trajectory@1 y geode.trajectory-release@1 hacen explícitos la identidad, el orden de eventos, los pares llamada-resultado, la integridad del alcance y de la reproducción, y manifests vinculados al contenido. Las copias públicas transformadas y los originales mantienen digests separados.
    Qué respalda
    Aquí, refinamiento significa normalización, correlación, ocultación explícita, linaje y admisión a la publicación. No reconstruye razonamientos ocultos ni declara un conjunto de datos listo para entrenamiento. Un alcance completo no es una reproducción byte a byte completa cuando los cuerpos privados se sustituyen por digests.

  4. August 25, 2026Learning view

    Un rollout y su evidencia se vincularon mediante identificadores

    Pregunta¿Qué entrada, intento, secuencia de eventos y recompensa van juntos?

    geode.eval-learning-view@2 · unido por ID y digests verificados, no un orden causal

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

    Los receipts del verificador nativo son dueños de la recompensa. Los reintentos de infraestructura son intentos dentro de un mismo rollout.

    Qué cambió
    Las trayectorias inmutables se reutilizan mediante joins con alcance definido, y las recompensas siguen siendo etiquetas derivadas propiedad del evaluador. Los reintentos de infraestructura no añaden rollouts. Un 0 observado se conserva y una recompensa ausente es null; los intentos inválidos o abortados se excluyen de la selección de recompensa. La validez es una propiedad del rollout, no automáticamente una recompensa null.
    Qué respalda
    Una ejecución de Terminal-Bench fast-3 con Harbor 0.8.0 (tres tareas, 3/3) y un diagnóstico de Tau2 en tres dominios (1/3, dos ceros válidos) se vinculan en la misma estructura. Son candidatos para post-entrenamiento, no conjuntos de datos usados para entrenar ni evidencia de pesos mejorados, y un resultado de tres tareas no es la exactitud de la suite.

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

    Un mismo ensayo produjo por separado el resultado y el registro de reproducción

    Pregunta¿Cómo se convierte la ejecución real de una tarea en un resultado y una reproducción inspeccionable?

    1. Tarea congelada · specfijada de antemano · cinco repeticiones
      • Ensayo aisladoinstrucciones · entorno · límites
    2. Ensayo de Harbor 0.22.0 · ejecución realEnsayo aisladoGEODE como actor
      • Acciones y estado finalejecutar
    3. Acciones y estado finalcomportamiento observado
      • Verificador de la tareacomprobar el estado de la tarea
      • ATIF · proyección a eventos públicosproyectar los eventos registrados
    4. Verificador de la tarea
      • Recompensa nativa · receiptrecompensa
    5. Recompensa nativa · receipt
      • Análisis del intento seleccionadoselección congelada
    6. ATIF · proyección a eventos públicosposprocesamiento · no es una ejecución nueva
    7. Análisis del intento seleccionadoregla de selección congelada
    Qué cambió
    La spec congelada, cada intento, el resultado seleccionado, el verificador propio de la tarea y una reproducción fiel pero limitada se conservan como registros vinculados separados. Harbor 0.22.0 ejecutó cinco repeticiones con GPT-5.6 Sol/max, comparando GEODE (entonces un adaptador con una sola herramienta de terminal) con Codex.
    Qué respalda
    Una tarea contiene instrucciones, entorno y pruebas; un ensayo es un intento; un trabajo agrupa ensayos. El verificador propio de la tarea decide la recompensa, y el juez de finalización interno de GEODE es retroalimentación del runtime. La reproducción pública es una proyección a posteriori de los eventos de herramientas registrados, no un PTY en bruto ni una ejecución nueva, y no se inventaron comandos para las celdas faltantes. No se pudo medir la métrica principal preregistrada.

  6. September 24, 2026 to September 28, 2026Jev · delegación de decisiones

    Un candidato correcto sigue necesitando verificar la entrega

    Pregunta¿Un juicio delegado preserva realmente la calidad de la tarea y la entrega final?

    1. U8n · ejecución Noul · Harbor 0.22 · Astra ejecuta y repara, solo cambia el enrutamiento del juicioEstado de decisióncontrato de tarea · candidato · observaciones de herramientas
      • Juicio · Noulentrada del juicio
    2. Juicio · NoulAstra o Jev
      • GEODE consumeprobabilidades por condición
    3. GEODE consumerespaldado: entregar; falta evidencia: retener
      • Entrega finalrespaldado
      • Reparación de Astrafalta evidencia · retener
    4. Entrega final
      • Comprobación independiente del resultadoresultado entregado
    5. Reparación de Astrasiguiente candidato tras la retroalimentación
      • Juicio · Noulvolver a juzgar
      • Último candidato · conservadoúltimo candidato conservado
    6. Comprobación independiente del resultadooráculo de reglas · resultado entregado
    7. Paneles fijos U3solo juicio · sin actor, herramientas ni Harbor
    8. Diagnóstico a posteriori · tras la ejecuciónÚltimo candidato · conservado
      • Diagnóstico con oráculo a posterioricomprobación a posteriori
    9. Diagnóstico con oráculo a posterioricorrección del candidato · sin efecto en la entrega
    Qué cambió
    La aceptación del juicio, la corrección del candidato y la entrega final se registran como resultados separados, y los linajes de preparación, fallo y reparación se conservan en la copia pública. Los hashes originales y los de la copia pública transformada se mantienen separados.
    Qué respalda
    En los 11 pares a posteriori del estudio U8n interrumpido, el último candidato era correcto en ambos brazos, pero la entrega fue Astra 11/11 y Jev Noul 0/11: el juicio de evidencia faltante de Jev Noul retuvo la entrega. Es un análisis a posteriori y no se generaliza. El recálculo numérico público, la inspección de la reproducción y una nueva ejecución en vivo son tres operaciones distintas.