ET
Geodi, GEODE ametlik pikslitegelane
Tagasi saali

GEODE

Autonomous Agent Harness

Vaatlusest järgmise tegevuseni.

Kohalik autonoomse agendi rakis, millele saab anda uurimistööd, failitöid ja ajastatud ülesandeid.

2026.02.21 — present

Kavandamine, hinnang, verifitseerimine: Author · teostus: Claude · ülevaatus: Codex

  • CLIAvaldatud · PyPI
  • MCP-serverTeostatud

Korraga muudetakse üht poliitikat; mõõtmine jääb fikseerituks.

Eraldi tsükkel, mis töötab rakisest väljaspool. Baastasemest lähtudes rakendab see ühe tüübitud poliitikamuudatuse ning sama Petri audit ja värav otsustavad KEEP-i ja taastamise vahel.

SIL-i kaart · joonistatud fikseeritud commiti 9e2c041 evolve-teede ja juuni 2026 käivituse kirje põhjal
GEODE poliitikaotsingu (SIL) kaartKäituskeskkonnast väljaspool töötav poliitikaotsingu tsükkel. Kinnitatud käivitusleping fikseerib eelarve, seemned, rubriigi ja mudelid ning mutaator muudab ühe poliitika seitsmest lubatud pinnast. measure.py auditeerib GEODE-t sama aparatuuriga Petri kaudu; fitness.py ja gate.py otsustavad kriitilise regressiooni ja edutamisreeglite alusel KEEP-i või tagasipööramise; ledger.py kirjutab baastaseme ja tulemuste read. Juuni 2026 käivitus eraldas auditimüra mutatsiooni mõjust muutusteta never-haru, K=5 baastaseme ja korduvmõõtmisega.Operaatori kinnituslive-kutsed · eelarvePetri auditauditor · GEODE target · judgeprogram.mdkäivitusleping · mudelid · eelarvepeatamisreeglid · käivitus pärast kinnitusttrain.pyfikseeritud eelarvega tsükkel--replicate K · uuesti mõõtmineloop/mutatemutaator · üks kandidaat7 pinda · hüperparameetritetastate/policiesfailipõhine poliitikaprepare.pyseemnekogum · rubriik fikseeritudmeasure.pyauditi alamprotsess · fikseeritud ajalõpppoliitikapõhine OVERRIDE · STRICTfitness.pykriitiline regressioon · trahvidledger.pybaseline · provenancetulemuste · mutatsioonide readgate.py_should_promote · KEEP_reject_and_revertcore · poliitikalaaduridviiba haru · system_prompt.py6 poliitikalaadurit · tool, skill…run-2606-broken-tool-usegen-0 baastase · 5 auditi keskminenever-haru · muutusteta kontrollrandom- · gate-harudkordus · üksiku KEEP-i uuesti mõõtmineevolve/scaffold_searchväline otsingutsükkel · väljaspool käituskeskkondakandidaatmuudatusüks käivituse kohtamõõteaparatuurvõrdluse ajal fikseeritudrun-2606 · 3.–4. juuni 2026broken_tool_useAuditeeritav GEODEmuutuvad ainult lubatud poliitikad1 kinnitus · Operaatori kinnitus → käivitusleping · mudelid · eelarve12 käivitusleping · käivitusleping · mudelid · eelarve → fikseeritud eelarvega tsükkel23 küsi üht kandidaati · fikseeritud eelarvega tsükkel → mutaator · üks kandidaat34poliitikamuudatus · mutation ID5 seemned · rubriik fikseeritud · seemnekogum · rubriik fikseeritud → auditi alamprotsess · fikseeritud ajalõpp56valitud poliitika7poliitikapõhised override-teed8audit subprocess9auditi dialoog1dimensioonide skoorid2 baseline · provenance · baseline · provenance → kriitiline regressioon · trahvid23 fitness · regressiooni põhjused · kriitiline regressioon · trahvid → _should_promote · KEEP34KEEP · järgmine baastase5REJECT · eelmise taastamine6tulemus · verdiktirida1kolm haru2K=5 keskmine baastase3mõõtmine muutuseta4--replicate K5uuesti mõõtmine → tagasipööramine

Üks muudatus → audit

Fikseeritud käivituslepinguga muutub üks lubatud poliitika ja GEODE-t auditeeritakse sama aparatuuriga. See ei ole töötav toode, mis end ise ümber kirjutab.

  1. Operaatori kinnituskinnituskäivitusleping · mudelid · eelarveprogram.md

    Käivitus algab alles pärast live-kutsete ja fikseeritud eelarve kinnitamist. Ilma kinnituseta valmistatakse ette ja kontrollitakse võrguühenduseta ainult lepingut.

  2. käivitusleping · mudelid · eelarveprogram.mdkäivituslepingfikseeritud eelarvega tsükkeltrain.py

    Seemnete ja rubriigi redaktsioonid, rollide mudelid ja mandaatide allikad, mõõteseaded, iteratsiooni-, aja- ja kulueelarved, edutamispoliitika ja peatamistingimused fikseeritakse enne käivitust.

  3. fikseeritud eelarvega tsükkeltrain.pyküsi üht kandidaatimutaator · üks kandidaatloop/mutate

    Üks tõenditele toetuv hüpotees muudab üht lubatud poliitikapinda.

  4. 7 pinda · hüperparameetritetaloop/mutatepoliitikamuudatus · mutation IDfailipõhine poliitikastate/policies

    Muutuda tohib ainult seitse pinda: ümbrisviip, tööriistapoliitika, osadeks jaotamise nõuanded, refleksioon, oskuste kataloogi metaandmed, agendileping (role, system_prompt, tools) ning tööriistade kirjeldused ja vihjed. Hüperparameetrite muudatused lükatakse tagasi nii parsimisel kui ka rakendamisel. Poliitika rakendamine, uuesti mõõtmine ja valikuline commit on eraldi sammud, seega rakendamine pole iseenesest audit.

  5. seemnekogum · rubriik fikseeritudprepare.pyseemned · rubriik fikseeritudauditi alamprotsess · fikseeritud ajalõppmeasure.py

    prepare.py on seemnekogumi ja rubriigi fikseeritud alus; kandidaadid seda ei muuda. Mõõtemooduli muutmine muudab mõõtmist, mitte testitavat süsteemi.

  6. failipõhine poliitikastate/policiesvalitud poliitikapoliitikapõhine OVERRIDE · STRICTmeasure.py

    measure.py loeb hetkel valitud poliitikafaili ja annab selle auditikeskkonnale.

  7. poliitikapõhine OVERRIDE · STRICTmeasure.pypoliitikapõhised override-teedcore · poliitikalaadurid

    measure.py annab auditi alamprotsessile ümbrise ning poliitikapõhised override- ja strict-teed ning käituskeskkonna vastav poliitikalaadur loeb igaüht. Ümbris (GEODE_WRAPPER_OVERRIDE → system_prompt) on üks haru; lisakeskkonnavõtmed ei laienda seitset muudetavat pinda. Ainult muudetud fail ei tõenda, et kandidaat jõudis sihtmärgini; seda kinnitab auditi tõendite diagnostika.

  8. auditi alamprotsess · fikseeritud ajalõppmeasure.pyaudit subprocessPetri audit

    Audit käib fikseeritud ajalõpu ja eelarvega, mida võrdluse keskel kunagi ei muudeta. Puuduv väljund on diagnostiline lünk, mitte nullskoor.

  9. Petri auditauditi dialoogcore · poliitikalaadurid

    Audiitor vestleb GEODE-ga seemnestsenaariumi kaudu ja kohtunik hindab transkripti.

Verdikt → säilitamine · taastamine

Sama lepinguga baastasemega võrreldes otsustavad kriitilised regressioonid ja edutamisreegel KEEP-i; tagasi lükatud muudatus taastatakse salvestatud eelmisele väärtusele.

  1. Petri auditdimensioonide skooridkriitiline regressioon · trahvidfitness.py

    Skooridega kaasnevad puuduvad dimensioonid ja valimite arvud. Mõõtmata dimensiooni ei loeta vaatluseks.

  2. baseline · provenanceledger.pybaseline · provenancekriitiline regressioon · trahvidfitness.py

    Võrdluses kasutatakse ainult sama salvestatud lepingu ja epoch'iga baastaset. Uus Giti haru ei isoleeri baastaseme olekut.

  3. kriitiline regressioon · trahvidfitness.pyfitness · regressiooni põhjused_should_promote · KEEPgate.py

    Esmalt kontrollitakse kriitiliste dimensioonide regressioone ja lisatrahve, seejärel marginaali või sihtdimensiooni testi. Ainult positiivne skalaar ei too kunagi edutamist.

  4. _should_promote · KEEPgate.pyKEEP · järgmine baastasebaseline · provenanceledger.py

    Säilitatud kandidaadist saab järgmine baastase. Kohapeal säilitatud kandidaat ei ole repositooriumi merge ega väljalase.

  5. _reject_and_revertgate.pyREJECT · eelmise taastaminefailipõhine poliitikastate/policies

    Runneri loodud kandidaadi puhul taastatakse selle mutation ID all salvestatud poliitikajaotis ja ebaõnnestunud taastamine märgitakse. Käsitsi tehtud muudatusi automaatselt ei taastata ning ebakindel taastamine peatab järgmise kandidaadi.

  6. _should_promote · KEEPgate.pytulemus · verdiktiridatulemuste · mutatsioonide readledger.py

    Mõõtmine, verdikt ja päritolu kirjutatakse üks kord tulemuste ridadeks; ajaloolisi ridu ei kirjutata kunagi üle.

Kontrollid · korduvmõõtmine

Juuni 2026 käivitus: muutusteta never-haru ja K=5 baastase mõõtsid auditimüra eraldi ning üksiku auditi KEEP kontrolliti kordustega üle.

  1. run-2606-broken-tool-usekolm harufikseeritud eelarvega tsükkeltrain.py

    3.–4. juuni 2026 käivitus eraldas triivi mutatsiooni mõjust kolme haruga: never (muutuseta), random (juhuslik vastuvõtt) ja gate (vastu võetud verdikti alusel). Sihtmärk oli GPT-5.5; audiitor ja kohtunik olid Claude Opus 4.8.

  2. gen-0 baastase · 5 auditi keskminerun-2606-broken-tool-useK=5 keskmine baastasebaseline · provenanceledger.py

    gen-0 baastase oli viie auditi keskmine (Petri broken_tool_use, väiksem on parem, keskmine 2.667).

  3. never-haru · muutusteta kontrollrun-2606-broken-tool-usemõõtmine muutusetaauditi alamprotsess · fikseeritud ajalõppmeasure.py

    never-haru triivis keskmiseni 3.38 ilma ühegi poliitikamuudatuseta (10 auditit, väiksem on parem): otsene tõend, et auditimüra ületas mutatsiooni mõju.

  4. --replicate K · uuesti mõõtminetrain.py--replicate Kauditi alamprotsess · fikseeritud ajalõppmeasure.py

    Sama kandidaati mõõdetakse samadel tingimustel K korda juurde, et välja sõeluda õnnelik üksik audit.

  5. kordus · üksiku KEEP-i uuesti mõõtminerun-2606-broken-tool-useuuesti mõõtmine → tagasipööramine_reject_and_revertgate.py

    Üksiku gate-auditi (1.6) põhjal säilitatud kandidaat mõõtis kordustes 3.0–3.8, baastasemest halvemini, seega taastati tšempion 2.667. Käivituse järeldus: selget paranemist ei olnud.

Kõik ühendused sama kaaluga. Vali voog, et tõsta esile ainult selle tee koos nummerdatud sammudega.

  • Pidevjoon · päringute, kandidaatide ja tulemuste liikumissuund
  • Kriipsjoon · käivitamine, otsustamine, volitamine, seadistamine
  • Pikk kriips-punktjoon · kirjed ja vaatlus, verdiktist eraldi
  • Paks must joon · valitud voog; numbrid näitavad järjekorda
  • Kast · koodi või kirjete piir, tee päises
  • Sisemine silt · komponent selle piiri sees
  • Kriipsjoonega kast · sellest piirist väljas
  • tsükkel · mõõtekäivitus
  • leping · verdikt
  • poliitika · kirjed
  • muudatus · auditeeritav sihtmärk · käivituse kirje

GEODE SIL-i draiveri nimi on autoresearch; selle prepare/train/program-ülesehitus ja fikseeritud eelarve on eeskuju võtnud Karpathy autoresearchist. Mudeli kaalud ei muutu ning aparatuur ja eelarve jäävad võrdluse ajaks fikseerituks.

Mis tohib muutuda
Seitse pinda: ümbrisviip, tööriistapoliitika, osadeks jaotamise nõuanded, refleksioon, oskuste kataloogi metaandmed, agendileping ning tööriistade kirjeldused ja vihjed. Hindaja, eelarve, seemned ja rubriik jäävad võrdluse ajaks fikseerituks.
Käivituse kirje ulatus
run-2606 väärtused on selle käivituse Petri broken_tool_use keskmised (väiksem on parem). Need ei ole tõend SIL-i kumulatiivse paranemise ega üldistumise kohta.