HR
Geodi, službeni pikselni lik GEODE-a
Natrag u dvoranu

GEODE

Autonomous Agent Harness

Od opažanja do sljedeće radnje.

Lokalni okvir za autonomnog agenta kojemu se mogu prepustiti istraživanje, rad s datotekama i zakazani zadaci.

2026.02.21 — present

Dizajn, prosudba, verifikacija: Author · implementacija: Claude · recenzija: Codex

  • CLIObjavljeno · PyPI
  • MCP poslužiteljImplementirano

Prihvaćanje kandidata i ovlast za izdanje zasebne su odluke.

Crucible je eksperimentalna jezgra odvojena od pretraživanja politika. Commit-kandidat provjerava se prema dopuštenim površinama i zamrznutom ugovoru, upareni zadaci agregiraju se u zasebnom mjernom checkoutu, a rezultat je KEEP, REJECT ili INVALID.

Karta Crucible · nacrtano prema fiksiranom commitu 9e2c041 i javnim artefaktima 23e3428
Karta Crucible u GEODE-uEksperimentalna jezgra koja prihvaćanje kandidata, zapečaćenu prihvatljivost i izdanje proizvoda drži kao zasebne ovlasti. Supervisor od proizvođača uzima jedan commit-kandidat, provjerava ga prema dopuštenoj površini i zamrznutom evaluatoru te pokreće zadatke tau2 u izoliranom mjernom checkoutu. promotion.py agregira uparene rezultate po unaprijed registriranim zadacima i obiteljima u KEEP, REJECT ili INVALID; KEEP samo pomiče head pretraživanja. Zapečaćena evaluacija prosuđuje train bundle na jednokratnom testnom paketu odvojenom od traina; čak i ELIGIBLE doseže samo eligible ref, bez ovlasti za izdanje.Modeli actor · userr14 · r35: gpt-5.4/highOkruženje tau2zadaci · simulirani korisnikIzdanje proizvoda GEODEbez veze · zasebna ovlastsearch/producersnaredba proizvođača · konfiguriranoreplay producersearch/supervisor.pypropose → preflightevaluate → decide → recordcontract.pydopuštena površina · diff kandidatazamrznuti evaluator · unaprijed registriranattempt/feedback.jsonkodovi neuspjeha · ID-ovi zadataka trainameasurement checkoutizolirano od proizvođačaassays/izvođenje tau2 · receiptverifikator zadatakapromotion.pyupareno · zadatak · agregat po obiteljiKEEP · REJECT · INVALIDattestation/bundle.pytrain bundle · ponovno izračunan KEEPattestation/sealed.pyodvojeni testni paket · koristi se jednomELIGIBLE · release_authority nonerefs/cruciblesearch/* headeligible/*geode-eval-artifactsr14 · train KEEP → sealed REJECTr35 · INVALID · 0 parova · nullevolve/cruciblevanjska eksperimentalna jezgra · odvojeno od SIL-apretraživanje · presuda na trainuattestation · sealed1 zatražiti kandidata · propose → preflight → search/producers12 jedan commit-kandidat · search/producers → propose → preflight23 dopuštena površina · provjera diffa · propose → preflight → dopuštena površina · diff kandidata34izolirani checkout5izvođenje prema fiksnom ugovoru6dijalog actor · user7pozivi modela8paired evidence9unaprijed registrirana agregacija10KEEP · head se pomiče1paired evidence2unaprijed registrirana agregacija3REJECT · INVALID4kodovi neuspjeha · ID-ovi zadataka1record · ref receipt2 samo train bundle · jednom · train bundle · ponovno izračunan KEEP → odvojeni testni paket · koristi se jednom23 samo eligible ref · ELIGIBLE · release_authority none → eligible/*31javni verdict.json2sealed decision.json

Presuda na trainu

Jedan kandidat unutar dopuštene površine mjeri se prema fiksnom ugovoru u izoliranom checkoutu, a unaprijed registrirana pravila odlučuju o KEEP, REJECT ili INVALID.

  1. propose → preflightsearch/supervisor.pyzatražiti kandidatasearch/producers

    Supervisor pretraživanja traži kandidata od proizvođača. Kandidat r14 bio je raniji kandidat (r13) koji je proizvođač replay ponovno primijenio, a ne novi kandidat koji je generirao LLM.

  2. search/producersjedan commit-kandidatpropose → preflightsearch/supervisor.py

    Proizvođač vraća jedan commit-kandidat unutar dopuštenih putanja.

  3. propose → preflightsearch/supervisor.pydopuštena površina · provjera diffadopuštena površina · diff kandidatacontract.py

    Diff kandidata mora ostati unutar površine koju ugovor dopušta, a zamrznuti evaluator se provjerava. U r14 i r35 dopušteni cilj bila je jedna datoteka, tau2_agent_policy.md; core i implementacija Cruciblea fiksirani su kao putanja evaluatora.

  4. evaluate → decide → recordsearch/supervisor.pyizolirani checkoutizolirano od proizvođačameasurement checkout

    Kandidat se provjerava u mjernom checkoutu odvojenom od proizvođača.

  5. izolirano od proizvođačameasurement checkoutizvođenje prema fiksnom ugovoruizvođenje tau2 · receiptassays/

    Osnovica i kandidat izvode se s istim ugovorom, sjemenom i zadacima.

  6. izvođenje tau2 · receiptassays/dijalog actor · userOkruženje tau2

    Agent GEODE (actor) razgovara sa simuliranim korisnikom koji pripada evaluatoru u okruženju zadataka tau2.

  7. izvođenje tau2 · receiptassays/pozivi modelaModeli actor · user

    U r14 i r35 i actor i simulirani korisnik bili su gpt-5.4/high (pretplata).

  8. verifikator zadatakaassays/paired evidenceupareno · zadatak · agregat po obiteljipromotion.py

    Rezultati verifikatora zadataka čuvaju se kao parovi osnovica–kandidat.

  9. zamrznuti evaluator · unaprijed registrirancontract.pyunaprijed registrirana agregacijaupareno · zadatak · agregat po obiteljipromotion.py

    Upareni rezultati agregiraju se po zadatku i unaprijed registriranoj obitelji, a uvjeti proračuna, pokrivenosti, infrastrukture i sigurnosti provjeravaju se zasebno.

  10. KEEP · REJECT · INVALIDpromotion.pyKEEP · head se pomičesearch/* headrefs/crucible

    Pri KEEP sljedeći head refs/crucible/search/* postaje kandidat. promotion_authority presude na trainu je none.

Odbijanje · nevaljanost · povratna informacija

REJECT i INVALID zadržavaju head, a sljedeći kandidat dobiva samo kodove neuspjeha i fiksne ID-ove zadataka traina. INVALID nije ocjena nula.

  1. verifikator zadatakaassays/paired evidenceupareno · zadatak · agregat po obiteljipromotion.py

    Rezultati verifikatora zadataka čuvaju se kao parovi osnovica–kandidat.

  2. zamrznuti evaluator · unaprijed registrirancontract.pyunaprijed registrirana agregacijaupareno · zadatak · agregat po obiteljipromotion.py

    Upareni rezultati agregiraju se po zadatku i unaprijed registriranoj obitelji, a uvjeti proračuna, pokrivenosti, infrastrukture i sigurnosti provjeravaju se zasebno.

  3. KEEP · REJECT · INVALIDpromotion.pyREJECT · INVALIDkodovi neuspjeha · ID-ovi zadataka trainaattempt/feedback.json

    Pri odbijanju ili nevaljanosti prethodni head ostaje, a kandidat i njegovi zapisi čuvaju se. Prosjek za INVALID je null, a ne nula.

  4. kodovi neuspjeha · ID-ovi zadataka trainaattempt/feedback.jsonkodovi neuspjeha · ID-ovi zadatakasearch/producers

    Povratna informacija za sljedećeg kandidata ograničena je na kodove neuspjeha i fiksne ID-ove zadataka traina; putanje ni odgovori evaluatora ne prosljeđuju se.

Zapečaćena prihvatljivost · zasebna ovlast

KEEP na trainu samo pomiče head pretraživanja. Zapečaćena prihvatljivost doseže samo eligible ref; izdanje i postavljanje proizvoda zasebne su ovlasti izvan Cruciblea.

  1. evaluate → decide → recordsearch/supervisor.pyrecord · ref receipttrain bundle · ponovno izračunan KEEPattestation/bundle.py

    Train bundle vrijedi samo kad su povezani ugovor, dokazi osnovice i kandidata, ponovno izračunan KEEP, rodoslovlje prijedloga, zapis supervisora i receipt primijenjenog refa. To nije drugo ime za poboljšanje.

  2. train bundle · ponovno izračunan KEEPattestation/bundle.pysamo train bundle · jednomodvojeni testni paket · koristi se jednomattestation/sealed.py

    Zapečaćena evaluacija jednom koristi testni paket odvojen od traina, s nula ponovnih pokušaja zbog infrastrukture.

  3. ELIGIBLE · release_authority noneattestation/sealed.pysamo eligible refeligible/*refs/crucible

    Čak i ELIGIBLE zapisuje samo refs/crucible/eligible/*, a release_authority fiksiran je na none.

Javni zapisi · r14 · r35

r14 je bio KEEP na trainu, zatim zapečaćeni REJECT; r35 (July 13, 2026) bio je INVALID zbog nepotpune pokrivenosti i infrastrukturne kontaminacije (0 uparenih redaka, prosjek null), a head je ostao nepromijenjen.

  1. KEEP · REJECT · INVALIDpromotion.pyjavni verdict.jsongeode-eval-artifacts

    Javni artefakti normalizirani su zapisi fiksirani na 23e3428. Unaprijed registrirani hash konfiguracije traina za r14 razlikuje se od bajtova javne konfiguracije, pa cijeli izvorni lanac nije ponovno ovjeren.

  2. attestation/sealed.pysealed decision.jsonr14 · train KEEP → sealed REJECTgeode-eval-artifacts

    r14: KEEP na telecom trainu, 6 zadataka × 1 pokušaj (6 uparenih redaka, bez ovlasti za promociju), zatim zasebna zapečaćena presuda REJECT (bez ovlasti za izdanje).

Sve veze iste debljine. Odaberite tijek kako biste istaknuli samo njegov put s numeriranim koracima.

  • Puna crta · smjer kojim teku zahtjevi, kandidati i rezultati
  • Isprekidana crta · pokretanje, odluka, autorizacija, konfiguracija
  • Debela crna crta · odabrani tijek; brojevi daju redoslijed
  • Okvir · granica koda ili zapisa, putanja u zaglavlju
  • Unutarnja pločica · komponenta unutar te granice
  • Isprekidani okvir · izvan te granice
  • supervisor pretraživanja
  • ugovor · presuda · atestacija
  • refovi · zapisi
  • proizvođači · izvođenje

Crucible je jezgra odvojena od SIL-a; dva pretraživanja nisu jedan cjevovod koji promovira kandidate onog drugog. Okvir izdanja proizvoda nema ulaznih veza.

Tri ovlasti
KEEP na trainu pomiče head pretraživanja, zapečaćeni ELIGIBLE bilježi eligible ref, a izdanje proizvoda zasebna je odluka izvan Cruciblea. Ranija presuda nikad ne dodjeljuje kasniju ovlast.
Null nije nula
r35 je planirao 9 zadataka × 3 pokušaja (27 redaka po grani), ali je imao 0 usporedivih parova, pa su njegov prosjek i poboljšanje null. To nije 27 neuspjelih zadataka ni stopa uspjeha od 0 %.