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

Mijenjati jednu politiku odjednom; mjerenje držati fiksnim.

Zasebna petlja koja radi izvan okvira. Od osnovice primjenjuje jednu tipiziranu promjenu politike, a ista Petri revizija i prag odlučuju između KEEP i vraćanja.

Karta SIL-a · nacrtano prema putovima evolve na fiksiranom commitu 9e2c041 i zapisu izvođenja iz June 2026
Karta pretraživanja politika GEODE (SIL)Petlja pretraživanja politika koja radi izvan izvršnog okruženja. Odobreni ugovor izvođenja fiksira proračun, sjemena, rubriku i modele, a mutator mijenja jednu politiku među sedam dopuštenih površina. measure.py revidira GEODE istim aparatom kroz Petri; fitness.py i gate.py odlučuju o KEEP ili vraćanju prema pravilima kritične regresije i promocije; ledger.py zapisuje osnovicu i retke rezultata. Izvođenje iz June 2026 odvojilo je šum revizije od učinka mutacije s pomoću grane never bez promjene, osnovice K=5 i ponovljenih mjerenja.Odobrenje operaterastvarni pozivi · proračunPetri revizijaauditor · GEODE target · judgeprogram.mdugovor izvođenja · modeli · proračunpravila zaustavljanja · izvođenje nakon odobrenjatrain.pypetlja s fiksnim proračunom--replicate K · ponovno mjerenjeloop/mutatemutator · jedan kandidat7 površina · bez hiperparametarastate/policiespolitika iz datotekeprepare.pyskup sjemena · rubrika fiksiranimeasure.pypodproces revizije · fiksni istek vremenaOVERRIDE po politici · STRICTfitness.pykritična regresija · kazneledger.pybaseline · provenanceresults · retci mutacijagate.py_should_promote · KEEP_reject_and_revertcore · učitavači politikagrana prompta · system_prompt.py6 učitavača politika · tool, skill…run-2606-broken-tool-useosnovica gen-0 · prosjek 5 revizijagrana never · kontrola bez promjenegrane random · gatereplicate · ponovno mjerenje jednog KEEP-aevolve/scaffold_searchvanjska petlja pretraživanja · izvan izvršnog okruženjakandidat za promjenujedan po izvođenjumjerni aparatfiksan tijekom usporedberun-2606 · June 3–4, 2026broken_tool_useGEODE pod revizijommijenjaju se samo dopuštene politike1 odobrenje · Odobrenje operatera → ugovor izvođenja · modeli · proračun12 ugovor izvođenja · ugovor izvođenja · modeli · proračun → petlja s fiksnim proračunom23 zatražiti jednog kandidata · petlja s fiksnim proračunom → mutator · jedan kandidat34promjena politike · ID mutacije5 sjemena · rubrika fiksirani · skup sjemena · rubrika fiksirani → podproces revizije · fiksni istek vremena56odabrana politika7putanje nadjačavanja po politici8audit subprocess9dijalog revizije1ocjene po dimenzijama2 baseline · provenance · baseline · provenance → kritična regresija · kazne23 fitness · razlozi regresije · kritična regresija · kazne → _should_promote · KEEP34KEEP · sljedeća osnovica5REJECT · vratiti prethodno6rezultat · redak presude1tri grane2osnovica kao prosjek K=53mjerenje bez promjene4--replicate K5ponovno mjerenje → vraćanje

Jedna promjena → revizija

Uz fiksiran ugovor izvođenja mijenja se jedna dopuštena politika, a GEODE se revidira istim aparatom. To nije proizvod u radu koji sam sebe prepisuje.

  1. Odobrenje operateraodobrenjeugovor izvođenja · modeli · proračunprogram.md

    Izvođenje počinje tek nakon odobrenja stvarnih poziva i fiksnog proračuna. Bez odobrenja samo se priprema ugovor i provjerava offline.

  2. ugovor izvođenja · modeli · proračunprogram.mdugovor izvođenjapetlja s fiksnim proračunomtrain.py

    Inačice sjemena i rubrike, modeli uloga i izvori vjerodajnica, postavke mjerenja, proračuni iteracija, vremena i troška, politika promocije i uvjeti zaustavljanja fiksiraju se prije izvođenja.

  3. petlja s fiksnim proračunomtrain.pyzatražiti jednog kandidatamutator · jedan kandidatloop/mutate

    Jedna hipoteza potkrijepljena dokazima mijenja jednu dopuštenu površinu politike.

  4. 7 površina · bez hiperparametaraloop/mutatepromjena politike · ID mutacijepolitika iz datotekestate/policies

    Mijenjati se smije samo sedam površina: omotni prompt, politika alata, savjeti o dekompoziciji, refleksija, metapodaci kataloga vještina, ugovor agenta (role, system_prompt, tools) te opisi alata i natuknice. Promjene hiperparametara odbijaju se i pri raščlanjivanju i pri primjeni. Primjena politike, ponovno mjerenje i neobavezni commit zasebni su koraci, pa primjena sama po sebi nije revizija.

  5. skup sjemena · rubrika fiksiraniprepare.pysjemena · rubrika fiksiranipodproces revizije · fiksni istek vremenameasure.py

    prepare.py fiksna je referenca za skup sjemena i rubriku; kandidati je ne mijenjaju. Promjena mjernog modula mijenja samo mjerenje, a ne sustav koji se testira.

  6. politika iz datotekestate/policiesodabrana politikaOVERRIDE po politici · STRICTmeasure.py

    measure.py čita trenutačno odabranu datoteku politike i prosljeđuje je u okruženje revizije.

  7. OVERRIDE po politici · STRICTmeasure.pyputanje nadjačavanja po politicicore · učitavači politika

    measure.py podprocesu revizije prosljeđuje putanju omotača te putanje nadjačavanja i strict za svaku politiku, a odgovarajući učitavač politika u izvršnom okruženju čita svaku od njih. Omotač (GEODE_WRAPPER_OVERRIDE → system_prompt) samo je jedna grana; dodatni ključevi okruženja ne proširuju sedam promjenjivih površina. Sama uređena datoteka ne dokazuje da je kandidat stigao do cilja; to potvrđuje dijagnostika u dokazima revizije.

  8. podproces revizije · fiksni istek vremenameasure.pyaudit subprocessPetri revizija

    Revizija se izvodi s fiksnim istekom vremena i proračunom, koji se nikad ne mijenjaju usred usporedbe. Izostanak izlaza dijagnostička je praznina, a ne ocjena nula.

  9. Petri revizijadijalog revizijecore · učitavači politika

    Revizor razgovara s GEODE-om prema scenariju sjemena, a sudac ocjenjuje transkript.

Presuda → zadržati · vratiti

U usporedbi s osnovicom istog ugovora kritične regresije i pravilo promocije odlučuju o KEEP; odbijena promjena vraća se na zabilježenu prethodnu vrijednost.

  1. Petri revizijaocjene po dimenzijamakritična regresija · kaznefitness.py

    Ocjene dolaze s nedostajućim dimenzijama i brojem uzoraka. Neizmjerena dimenzija ne tumači se kao opažanje.

  2. baseline · provenanceledger.pybaseline · provenancekritična regresija · kaznefitness.py

    Usporedba koristi samo osnovicu s istim zabilježenim ugovorom i epohom. Nova Git grana ne izolira stanje osnovice.

  3. kritična regresija · kaznefitness.pyfitness · razlozi regresije_should_promote · KEEPgate.py

    Najprije se provjeravaju regresije kritičnih dimenzija i pomoćne kazne, zatim test margine ili ciljne dimenzije. Sam pozitivan skalar nikad ne donosi promociju.

  4. _should_promote · KEEPgate.pyKEEP · sljedeća osnovicabaseline · provenanceledger.py

    Zadržani kandidat postaje sljedeća osnovica. Lokalno zadržan kandidat nije spajanje u repozitorij ni izdanje.

  5. _reject_and_revertgate.pyREJECT · vratiti prethodnopolitika iz datotekestate/policies

    Za kandidata koji je izradio runner vraća se odjeljak politike zabilježen pod njegovim ID-om mutacije, a neuspjelo vraćanje se označava. Ručne promjene ne vraćaju se automatski, a neizvjesno vraćanje zaustavlja sljedećeg kandidata.

  6. _should_promote · KEEPgate.pyrezultat · redak presuderesults · retci mutacijaledger.py

    Mjerenje, presuda i podrijetlo zapisuju se jednom kao retci rezultata; povijesni retci nikad se ne prepisuju.

Kontrole · ponovljena mjerenja

Izvođenje iz June 2026: grana never bez promjene i osnovica K=5 zasebno su izmjerile šum revizije, a KEEP iz jedne revizije ponovno je provjeren ponovljenim mjerenjima.

  1. run-2606-broken-tool-usetri granepetlja s fiksnim proračunomtrain.py

    Izvođenje June 3–4, 2026 odvojilo je drift od učinka mutacije s tri grane: never (bez promjene), random (nasumično prihvaćanje) i gate (prihvaćanje prema presudi). Cilj je bio GPT-5.5; revizor i sudac bili su Claude Opus 4.8.

  2. osnovica gen-0 · prosjek 5 revizijarun-2606-broken-tool-useosnovica kao prosjek K=5baseline · provenanceledger.py

    Osnovica gen-0 bila je prosjek pet revizija (Petri broken_tool_use, niže je bolje, prosjek 2.667).

  3. grana never · kontrola bez promjenerun-2606-broken-tool-usemjerenje bez promjenepodproces revizije · fiksni istek vremenameasure.py

    Grana never pomaknula se na prosjek 3.38 bez ikakve promjene politike (10 revizija, niže je bolje): izravan dokaz da je šum revizije bio veći od učinka mutacije.

  4. --replicate K · ponovno mjerenjetrain.py--replicate Kpodproces revizije · fiksni istek vremenameasure.py

    Isti se kandidat mjeri još K puta pod istim uvjetima kako bi se odbacila sretna pojedinačna revizija.

  5. replicate · ponovno mjerenje jednog KEEP-arun-2606-broken-tool-useponovno mjerenje → vraćanje_reject_and_revertgate.py

    Kandidat zadržan na temelju jedne revizije gate (1.6) u ponovljenim je mjerenjima dao 3.0–3.8, lošije od osnovice, pa je vraćen prvak 2.667. Izvođenje je zaključilo da nema jasnog poboljšanja.

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
  • Duga crta-točka · zapisi i opažanje, odvojeno od presude
  • 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
  • petlja · izvođenje mjerenja
  • ugovor · presuda
  • politika · zapisi
  • promjena · revidirani cilj · zapis izvođenja

SIL-ov upravljački program u GEODE-u zove se autoresearch; njegov oblik prepare/train/program i fiksni proračun preuzeti su od Karpathyjeva autoresearcha. Težine modela ne mijenjaju se, a aparat i proračun ostaju fiksni tijekom usporedbe.

Što se smije mijenjati
Sedam površina: omotni prompt, politika alata, savjeti o dekompoziciji, refleksija, metapodaci kataloga vještina, ugovor agenta te opisi alata i natuknice. Evaluator, proračun, sjemena i rubrika ostaju fiksni tijekom usporedbe.
Opseg zapisa izvođenja
Vrijednosti run-2606 prosjeci su Petri broken_tool_use tog izvođenja (niže je bolje). Nisu dokaz kumulativnog poboljšanja SIL-a ni generalizacije.