FI
Geodi, GEODEn virallinen pikselihahmo
Takaisin saliin

GEODE

Autonomous Agent Harness

Havainnosta seuraavaan toimeen.

Paikallinen autonomisen agentin kehys, jolle voi antaa tutkimusta, tiedostotöitä ja ajastettuja tehtäviä.

2026.02.21 — present

Suunnittelu, arvio, todentaminen: Author · toteutus: Claude · katselmointi: Codex

  • CLIJulkaistu · PyPI
  • MCP-palvelinToteutettu

Läpiajoista näytöksi

Pelkkä läpäisyprosentti ei selitä suoritusta. Säilytän tapahtumien järjestyksen, työkalukutsut ja tulokset, uusintojen sukulinjan ja riippumattoman tarkistimen näytön ja kytken sitten yhteen osat, jotka voidaan julkaista. Nämä kokeet näyttävät, miten kirjaus- ja arviointisopimukset kehittyivät.

Kokeittain · päivämääräjärjestyksessä

Kuusi koetta on asetettu päivämääräjärjestykseen; ne eivät ole yksi yhtenäinen optimointiprosessi. SIL ei syötä Crucibleä tai Jeviä automaattisesti, eikä tämä ole väite siitä, että tuotannon GEODE olisi jatkuvasti parantunut. Päivämäärät ovat kokeiden ja julkaisutilannekuvien päivämääriä, ja nuolia käytetään vain yhden kokeen sisäisille vaiheille.

  1. June 3, 2026 to June 4, 2026SIL · ulkoinen käytäntöhaku

    Yhden auditoinnin KEEP tarkistettiin uudelleen toistomittauksella

    KysymysParansiko käytäntömutaatio työkalujen käyttöä enemmän kuin auditointikohina selittää?

    Ulkoinen koe · GEODE-ajoympäristön ulkopuolella

    1. Lähtötaso · K=5
    2. Yksi käytäntömutaatio
    3. Petri-auditointi
    4. Toistomittaus
      • Säilytys
      • Palautus
    Mikä muuttui
    Tässä kokeessa mutaation yksittäiseen auditointiin lisättiin toistomittaus ennen säilyttämis- tai palautuspäätöstä. Vaikeudeltaan sovitetut siemenet ja K=5-lähtötaso lisättiin, ja never-, random- ja gate-haarat erottavat ilman muutosta syntyvän ajautumisen hyväksytyistä muutoksista.
    Mitä se tukee
    Uudelleenmitattuna yhden auditoinnin perusteella säilytetty ehdokas oli lähtötasoa huonompi (pienempi on parempi), joten sen hyväksyminen peruttiin. Koe päättyi ilman vakaata parannusta. Kyse on Petri broken_tool_use -käyttäytymisauditoinnista, ei tehtävän valmistumisen palkkiosta.

  2. July 11, 2026 to July 13, 2026Crucible · ulkoinen koeydin

    Haussa pysyminen ja tuotteeseen pääsy ovat erillisiä tuomioita

    KysymysOnko näyttö ehdokkaan pitämiseksi haussa sama kuin näyttö sen ylentämiseksi ja julkaisemiseksi tuotteeseen?

    Ulkoinen Crucible-ydin · erillinen mittaustyökopio

    1. Ehdokas · vanhemman sukulinja
    2. Jäädytetyn sopimuksen tarkistus
    3. Parimittaus
      • KEEPvain erilliseen sinetöityyn tuomioon
      • REJECT
      • INVALIDnull, ei 0 %
    Mikä muuttui
    Hylätyt ja mitättömät ehdokkaat säilytetään vanhempiensa sukulinjan kanssa, ja train-valinta, sinetöity kelpoisuus ja tuotejulkaisun valtuus ovat erillisiä kirjauksia.
    Mitä se tukee
    r14 oli train-joukolla KEEP (kuusi tehtäväyksikköä, kukin yhdellä yrityksellä, ei ylennysvaltuutta), mutta sen erillinen sinetöity tuomio oli REJECT (ei valtuutta tuotteeseen ylentämiseen eikä julkaisuun). r35 on INVALID puutteellisen kattavuuden ja infrastruktuurin kontaminaation vuoksi; ilman paririvejä sen keskiarvo pysyy null-arvona. Kyse ei ole ajoympäristön itsemuokkauksesta eikä SIL → Crucible -käyttöönottoketjusta.

  3. July 21, 2026 · July 31, 2026Jalostus · julkaisu

    Jäljellä olevat kirjaukset luokiteltiin, ja vain jaettavissa olevasta tuli muuttumaton julkaisu

    KysymysMitä voidaan todella rekonstruoida, ja mitä voidaan turvallisesti jakaa?

    1. Yksityinen lähdeIstuntokirjaus · natiivi näyttönatiivi tulos · tarkistin mukana
      • Normalisoidut tapahtumatjärjestys · identiteetti säilyy
    2. Normalisoidut tapahtumatidentiteetti · järjestys · kutsu–tulos-parit
      • Julkinen ehdokassallittujen lista · peitto · tiiviste
    3. Julkinen ehdokaskatselmoitavana
      • Eheys- · tietosuojatarkistuksettarkistus
    4. Eheys- · tietosuojatarkistuksetparit · sukulinja · laajuus
      • Muuttumaton julkaisuvain katselmoidut tavut
    5. Julkinen repositorioMuuttumaton julkaisumanifesti · natiiveihin tuloksiin viitataan tiivisteellä
      • Etäpään uudelleenlukutiivisteen todennus
    6. Etäpään uudelleenlukukiinnitetty SHA-256
    Mikä muuttui
    Inventaario 21.7.2026 luokitteli dialogi-, työkalu-, haku- ja päätöskirjaukset lähteittäin, eikä saman lähteen kaksoiskappaleita laskettu itsenäisiksi esimerkeiksi. 31.7.2026 alkaen geode.trajectory@1 ja geode.trajectory-release@1 tekevät identiteetin, tapahtumien järjestyksen, kutsu–tulos-parit, laajuuden ja uudelleentoiston eheyden sekä sisältöön sidotut manifestit eksplisiittisiksi. Muunnetuilla julkisilla kopioilla ja alkuperäisillä on erilliset tiivisteet.
    Mitä se tukee
    Jalostus tarkoittaa tässä normalisointia, korrelointia, eksplisiittistä peittämistä, sukulinjaa ja julkaisukelpuutusta. Se ei rekonstruoi piilotettua päättelyä eikä julista koulutusvalmista datajoukkoa. Täydellinen laajuus ei ole täydellinen tavutason uudelleentoisto, kun yksityiset rungot on korvattu tiivisteillä.

  4. August 25, 2026Learning view

    Yksi läpiajo ja sen näyttö sidottiin yhteen tunnisteilla

    KysymysMitkä syöte, yritys, tapahtumasarja ja palkkio kuuluvat yhteen?

    geode.eval-learning-view@2 · yhdistetty tunnisteilla ja todennetuilla tiivisteillä, ei kausaalijärjestys

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

    Natiivit tarkistimen receiptit omistavat palkkion. Infrastruktuuriuusinnat ovat yrityksiä yhden läpiajon sisällä.

    Mikä muuttui
    Muuttumattomia trajektoreja käytetään uudelleen rajattujen liitosten kautta, ja palkkiot pysyvät arvioijan omistamina johdettuina nimiöinä. Infrastruktuuriuusinnat eivät lisää läpiajoja. Havaittu 0 säilytetään ja puuttuva palkkio on null; virheelliset tai keskeytetyt yritykset jätetään palkkion valinnan ulkopuolelle. Validius on läpiajon ominaisuus, eikä se automaattisesti tee palkkiosta null-arvoa.
    Mitä se tukee
    Terminal-Bench fast-3 -ajo Harbor 0.8.0:lla (kolme tehtävää, 3/3) ja Tau2:n kolmen toimialueen diagnostiikka (1/3, kaksi kelvollista nollaa) on sidottu samaan rakenteeseen. Ne ovat jälkikoulutuksen ehdokkaita, eivät koulutukseen käytettyjä datajoukkoja eivätkä näyttöä parantuneista painoista, eikä kolmen tehtävän tulos ole koko sarjan tarkkuus.

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

    Yksi koeajo tuotti tuloksen ja uudelleentoiston kirjauksen erikseen

    KysymysMiten todellisesta tehtävän suorituksesta tulee tulos ja tarkasteltava uudelleentoisto?

    1. Jäädytetty tehtävä · määrittelykiinnitetty etukäteen · viisi toistoa
      • Eristetty koeajoohje · ympäristö · rajat
    2. Harbor 0.22.0 -koeajo · todellinen suoritusEristetty koeajoGEODE toimijana
      • Toimet ja lopputilasuoritus
    3. Toimet ja lopputilahavaittu käyttäytyminen
      • Tehtävän oma tarkistintehtävän tilan tarkistus
      • ATIF · julkisten tapahtumien projektiokirjattujen tapahtumien projektio
    4. Tehtävän oma tarkistin
      • Natiivi palkkio · receiptpalkkio
    5. Natiivi palkkio · receipt
      • Valitun yrityksen analyysijäädytetty valinta
    6. ATIF · julkisten tapahtumien projektiojälkikäsittely · ei uusi ajo
    7. Valitun yrityksen analyysijäädytetty valintasääntö
    Mikä muuttui
    Jäädytetty määrittely, jokainen yritys, valittu tulos, tehtävän oma tarkistin ja uskollinen mutta rajattu uudelleentoisto säilytetään erillisinä linkitettyinä kirjauksina. Harbor 0.22.0 ajoi viisi toistoa GPT-5.6 Sol/maxilla ja vertasi GEODEa (silloin yhden päätetyökalun sovitin) Codexiin.
    Mitä se tukee
    Tehtävä omistaa ohjeet, ympäristön ja testit; koeajo on yksi yritys; job ryhmittää koeajoja. Tehtävän oma tarkistin päättää palkkion, ja GEODEn sisäinen valmistumistuomari on ajonaikaista palautetta. Julkinen uudelleentoisto on kirjattujen työkalutapahtumien jälkikäteinen projektio, ei raaka PTY eikä uusi ajo, eikä puuttuviin soluihin keksitty komentoja. Ennalta rekisteröityä ensisijaista mittaria ei voitu mitata.

  6. September 24, 2026 to September 28, 2026Jev · päätösten siirtäminen

    Oikeakin ehdokas tarvitsee toimituksen todentamisen

    KysymysSäilyttääkö delegoitu arvio todella tehtävän laadun ja lopullisen toimituksen?

    1. U8n · Noul-ajo · Harbor 0.22 · Astra suorittaa ja korjaa, vain arvion reititys muuttuuPäätöstilatehtäväsopimus · ehdokas · työkaluhavainnot
      • Arvio · Noularvion syöte
    2. Arvio · NoulAstra tai Jev
      • GEODE käyttääehtokohtaiset todennäköisyydet
    3. GEODE käyttääsupported: toimitus; puuttuva näyttö: pidätys
      • Lopullinen toimitussupported
      • Astran korjauspuuttuva näyttö · pidätys
    4. Lopullinen toimitus
      • Riippumaton lopputuloksen tarkistustoimitettu tulos
    5. Astran korjausseuraava ehdokas palautteen jälkeen
      • Arvio · Nouluusi arvio
      • Viimeinen ehdokas · säilytettyviimeinen ehdokas säilytetty
    6. Riippumaton lopputuloksen tarkistussääntöoraakkeli · toimitettu tulos
    7. U3:n kiinteät paneelitvain arvio · ei toimijaa, työkaluja eikä Harboria
    8. Jälkikäteinen diagnoosi · ajon jälkeenViimeinen ehdokas · säilytetty
      • Jälkikäteinen oraakkelidiagnoosijälkikäteinen tarkistus
    9. Jälkikäteinen oraakkelidiagnoosiehdokkaan oikeellisuus · ei vaikutusta toimitukseen
    Mikä muuttui
    Arvion hyväksyminen, ehdokkaan oikeellisuus ja lopullinen toimitus kirjataan erillisinä lopputuloksina, ja valmistelun, epäonnistumisten ja korjausten sukulinjat säilytetään julkisessa kopiossa. Alkuperäiset ja muunnetut julkiset tiivisteet pidetään erillään.
    Mitä se tukee
    Keskeytetyn U8n-tutkimuksen 11 jälkikäteisessä parissa viimeinen ehdokas oli oikein molemmissa haaroissa, mutta toimitus oli Astra 11/11 ja Jev Noul 0/11: Jev Noulin puuttuvan näytön arvio pidätti toimituksen. Kyse on jälkikäteisanalyysistä, eikä sitä yleistetä. Julkinen numeerinen uudelleenlaskenta, uudelleentoiston tarkastelu ja uusi live-suoritus ovat kolme eri toimintoa.