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

Läbijooksudest tõenditeni

Ainult läbimismäär ei seleta täitmist. Säilitan sündmuste järjekorra, tööriistakutsed ja tulemused, korduste põlvnemise ning sõltumatu kontrollija tõendid ja seon seejärel kokku osad, mida saab avaldada. Need katsed näitavad, kuidas salvestamise ja hindamise lepingud arenesid.

Katsete kaupa · kuupäevade järjekorras

Kuus katset on paigutatud kuupäevade järjekorda; need ei ole üks seotud optimeerimisprotsess. SIL ei toida Crucible'it ega Jevi automaatselt ning see ei väida, et toote GEODE pidevalt paranes. Kuupäevad on katsete ja avaldamishetktõmmiste kuupäevad ning nooli kasutatakse ainult ühe katse sisemiste etappide jaoks.

  1. June 3, 2026 to June 4, 2026SIL · väline poliitikaotsing

    Ühe auditi KEEP kontrolliti korduvmõõtmisega üle

    KüsimusKas poliitikamutatsioon parandas tööriistade kasutamist rohkem, kui auditimüra seletab?

    Väline katse · väljaspool GEODE käituskeskkonda

    1. Baastase · K=5
    2. Üks poliitikamutatsioon
    3. Petri audit
    4. Korduvmõõtmine
      • Säilitamine
      • Tagasipööramine
    Mis muutus
    Selles katses lisati mutatsiooni ühekordsele auditile enne säilitamise või tagasipööramise otsust korduvmõõtmine. Lisati raskusastmelt sobitatud seemned ja K=5 baastase ning never-, random- ja gate-harud eristavad muutuseta tekkivat triivi vastu võetud muudatustest.
    Mida see toetab
    Uuesti mõõdetuna oli ühe auditi põhjal säilitatud kandidaat baastasemest halvem (väiksem on parem), seega selle vastuvõtt tühistati. Katse lõppes ilma kindla paranemiseta. See on Petri broken_tool_use käitumisaudit, mitte ülesande lõpetamise tasu.

  2. July 11, 2026 to July 13, 2026Crucible · väline katsetuum

    Otsingusse jäämine ja tooteni jõudmine on eraldi verdiktid

    KüsimusKas tõendid kandidaadi otsingus hoidmiseks on samad mis tõendid selle edutamiseks ja tootesse väljalaskmiseks?

    Väline Crucible'i tuum · eraldi mõõtmise töökoopia

    1. Kandidaat · vanema põlvnemine
    2. Külmutatud lepingu kontroll
    3. Paarismõõtmine
      • KEEPainult eraldi pitseeritud verdiktini
      • REJECT
      • INVALIDnull, mitte 0%
    Mis muutus
    Tagasi lükatud ja kehtetud kandidaadid säilitatakse koos vanema põlvnemisega ning train-valik, pitseeritud sobivus ja toote väljalaske volitus on eraldi kirjed.
    Mida see toetab
    r14 oli train-andmetel KEEP (kuus ülesandeühikut, igaüks ühe katsega, edutamisõiguseta), kuid selle eraldi pitseeritud verdikt oli REJECT (ilma tootesse edutamise ja väljalaske volituseta). r35 on INVALID puuduliku katvuse ja infrastruktuuri saastumise tõttu; paarisridade puudumisel jääb selle keskmiseks null. See ei ole käituskeskkonna enesemuutmine ega SIL → Crucible juurutusahel.

  3. July 21, 2026 · July 31, 2026Viimistlemine · avaldamine

    Allesjäänud kirjed liigitati ja ainult jagatavast sai muutumatu väljalase

    KüsimusMida saab tegelikult rekonstrueerida ja mida saab ohutult jagada?

    1. Privaatne allikasSeansi kirje · algne tõendalgne tulemus · kontrollija kaasas
      • Normaliseeritud sündmusedjärjekord · identiteet säilib
    2. Normaliseeritud sündmusedidentiteet · järjekord · kutse–tulemuse paarid
      • Avalik kandidaatlubatute loend · varjamine · räsi
    3. Avalik kandidaatülevaatusel
      • Terviklikkuse · privaatsuse kontrollidkontroll
    4. Terviklikkuse · privaatsuse kontrollidpaarid · põlvnemine · ulatus
      • Muutumatu väljalaseainult üle vaadatud baidid
    5. Avalik repositooriumMuutumatu väljalasemanifest · algsetele tulemustele viidatakse räsiga
      • Kaugtagasilugemineräsi kontroll
    6. Kaugtagasilugeminefikseeritud SHA-256
    Mis muutus
    21. juuli 2026 inventuur liigitas dialoogi-, tööriista-, otsingu- ja otsusekirjed allikate kaupa ning sama allika duplikaate ei loetud sõltumatuteks näideteks. Alates 31. juulist 2026 teevad geode.trajectory@1 ja geode.trajectory-release@1 selgesõnaliseks identiteedi, sündmuste järjekorra, kutse–tulemuse paarid, ulatuse ja taasesituse terviklikkuse ning sisuga seotud manifestid. Teisendatud avalikel koopiatel ja originaalidel on eraldi räsid.
    Mida see toetab
    Viimistlemine tähendab siin normaliseerimist, korreleerimist, selgesõnalist varjamist, põlvnemist ja avaldamiseks vastuvõttu. See ei rekonstrueeri varjatud arutluskäiku ega kuuluta treenimisvalmis andmestikku. Täielik ulatus ei ole täielik baidipõhine taasesitus, kui privaatsed kehad on asendatud räsidega.

  4. August 25, 2026Learning view

    Üks läbijooks ja selle tõendid seoti kokku identifikaatoritega

    KüsimusMillised sisend, katse, sündmuste jada ja tasu kuuluvad kokku?

    geode.eval-learning-view@2 · ühendatud ID-de ja verifitseeritud räsidega, mitte põhjuslik järjekord

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

    Tasu kuulub algsetele kontrollija receiptidele. Infrastruktuuri kordused on katsed ühe läbijooksu sees.

    Mis muutus
    Muutumatuid trajektoore kasutatakse uuesti piiritletud ühenduste kaudu ning tasud jäävad hindajale kuuluvateks tuletatud märgenditeks. Infrastruktuuri kordused ei lisa läbijookse. Vaadeldud 0 säilitatakse ja puuduv tasu on null; kehtetud või katkestatud katsed jäetakse tasu valikust välja. Kehtivus on läbijooksu omadus, mitte automaatselt null-tasu.
    Mida see toetab
    Harbor 0.8.0-ga tehtud Terminal-Bench fast-3 käivitus (kolm ülesannet, 3/3) ja Tau2 kolme domeeni diagnostika (1/3, kaks kehtivat nulli) on seotud samasse struktuuri. Need on järeltreeningu kandidaadid, mitte treenimiseks kasutatud andmestikud ega tõend paremate kaalude kohta, ja kolme ülesande tulemus ei ole kogu komplekti täpsus.

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

    Üks katsekäik andis tulemuse ja taasesituse kirje eraldi

    KüsimusKuidas saab tegelikust ülesande täitmisest tulemus ja uuritav taasesitus?

    1. Külmutatud ülesanne · spetsifikatsioonfikseeritud ette · viis kordust
      • Isoleeritud katsekäikjuhis · keskkond · piirangud
    2. Harbor 0.22.0 katsekäik · tegelik täitmineIsoleeritud katsekäikGEODE toimijana
      • Tegevused ja lõppolektäitmine
    3. Tegevused ja lõppolekvaadeldud käitumine
      • Ülesandele kuuluv kontrollijaülesande oleku kontroll
      • ATIF · avalike sündmuste projektsioonsalvestatud sündmuste projektsioon
    4. Ülesandele kuuluv kontrollija
      • Algne tasu · receipttasu
    5. Algne tasu · receipt
      • Valitud katse analüüskülmutatud valik
    6. ATIF · avalike sündmuste projektsioonjäreltöötlus · mitte uus käivitus
    7. Valitud katse analüüskülmutatud valikureegel
    Mis muutus
    Külmutatud spetsifikatsioon, iga katse, valitud tulemus, ülesandele kuuluv kontrollija ja truu, kuid piiratud taasesitus hoitakse eraldi lingitud kirjetena. Harbor 0.22.0 tegi GPT-5.6 Sol/maxiga viis kordust, võrreldes GEODE-t (tollal ühe terminalitööriista adapter) Codexiga.
    Mida see toetab
    Ülesandele kuuluvad juhised, keskkond ja testid; katsekäik on üks katse; job rühmitab katsekäike. Tasu otsustab ülesandele kuuluv kontrollija ning GEODE sisemine lõpetamise kohtunik on käitusaegne tagasiside. Avalik taasesitus on salvestatud tööriistasündmuste tagantjärele projektsioon, mitte toores PTY ega uus käivitus, ja puuduvatesse lahtritesse ei mõeldud käske juurde. Eelregistreeritud põhimõõdikut ei saanud mõõta.

  6. September 24, 2026 to September 28, 2026Jev · otsuste delegeerimine

    Ka õige kandidaat vajab üleandmise verifitseerimist

    KüsimusKas delegeeritud hinnang säilitab tegelikult ülesande kvaliteedi ja lõpliku üleandmise?

    1. U8n · Nouli käivitus · Harbor 0.22 · Astra täidab ja parandab, muutub ainult hinnangu marsruutimineOtsuseolekülesande leping · kandidaat · tööriistavaatlused
      • Hinnang · Noulhinnangu sisend
    2. Hinnang · NoulAstra või Jev
      • GEODE kasutabtingimuste tõenäosused
    3. GEODE kasutabsupported: üleandmine; puuduvad tõendid: kinnipidamine
      • Lõplik üleandminesupported
      • Astra paranduspuuduvad tõendid · kinnipidamine
    4. Lõplik üleandmine
      • Sõltumatu tulemuse kontrollüle antud tulemus
    5. Astra parandusjärgmine kandidaat pärast tagasisidet
      • Hinnang · Nouluus hinnang
      • Viimane kandidaat · säilitatudviimane kandidaat säilitatud
    6. Sõltumatu tulemuse kontrollreeglioraakel · üle antud tulemus
    7. U3 fikseeritud paneelidainult hinnang · toimija, tööriistade ja Harborita
    8. Tagantjärele diagnoos · pärast käivitustViimane kandidaat · säilitatud
      • Tagantjärele oraakli diagnoostagantjärele kontroll
    9. Tagantjärele oraakli diagnooskandidaadi õigsus · üleandmisele mõjuta
    Mis muutus
    Hinnangu vastuvõtt, kandidaadi õigsus ja lõplik üleandmine salvestatakse eraldi tulemustena ning ettevalmistuse, tõrgete ja paranduste põlvnemine säilitatakse avalikus koopias. Algsed ja teisendatud avalikud räsid hoitakse lahus.
    Mida see toetab
    Katkestatud U8n uuringu tagantjärele analüüsitud 11 paaris oli viimane kandidaat mõlemas harus õige, kuid üleandmine oli Astra 11/11 ja Jev Noul 0/11: Jev Nouli puuduvate tõendite hinnang pidas üleandmise kinni. See on tagantjärele analüüs ja seda ei üldistata. Avalik arvuline ümberarvutus, taasesituse uurimine ja uus reaalajas täitmine on kolm eri toimingut.