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

Od izvođenja do dokaza

Sama stopa prolaznosti ne objašnjava izvođenje. Čuvam redoslijed događaja, pozive alata i rezultate, rodoslovlje ponovnih pokušaja i dokaze neovisnog verifikatora, a zatim povezujem dijelove koji se mogu objaviti. Ovi eksperimenti pokazuju kako su se razvijali ugovori bilježenja i evaluacije.

Po eksperimentu · kronološki

Šest eksperimenata poredano je po datumu; nisu jedan povezan proces optimizacije. SIL ne napaja automatski Crucible ni Jev, a ovo nije tvrdnja da se GEODE u produkciji stalno poboljšavao. Datumi su datumi eksperimenata i snimki objave, a strelice se koriste samo za faze unutar jednog eksperimenta.

  1. June 3, 2026 to June 4, 2026SIL · vanjsko pretraživanje politika

    KEEP iz jedne revizije ponovno je provjeren ponovljenim mjerenjem

    PitanjeJe li mutacija politike poboljšala ponašanje pri korištenju alata iznad šuma revizije?

    Vanjski eksperiment · izvan izvršnog okruženja GEODE

    1. Osnovica · K=5
    2. Jedna mutacija politike
    3. Petri revizija
    4. Ponovljeno mjerenje
      • Zadržati
      • Vratiti
    Što se promijenilo
    U ovom je eksperimentu jednoj reviziji mutacije dodano ponovljeno mjerenje prije odluke o zadržavanju ili vraćanju. Dodana su sjemena usklađene težine i osnovica K=5, a grane never, random i gate odvajaju drift bez ikakve promjene od prihvaćenih promjena.
    Što to potkrepljuje
    Nakon ponovnog mjerenja kandidat zadržan na temelju jedne revizije bio je lošiji od osnovice (niže je bolje), pa je njegovo prihvaćanje povučeno. Eksperiment je zaključio da nema robusnog poboljšanja. Riječ je o Petri reviziji ponašanja broken_tool_use, a ne o nagradi za izvršenje zadatka.

  2. July 11, 2026 to July 13, 2026Crucible · vanjska eksperimentalna jezgra

    Ostanak u pretraživanju i ulazak u proizvod zasebne su presude

    PitanjeJesu li dokazi za zadržavanje kandidata u pretraživanju isti kao dokazi za njegovu promociju i izdanje u proizvodu?

    Vanjska jezgra Crucible · zaseban mjerni checkout

    1. Kandidat · roditeljsko rodoslovlje
    2. Provjera zamrznutog ugovora
    3. Upareno mjerenje
      • KEEPsamo do zasebne zapečaćene presude
      • REJECT
      • INVALIDnull, a ne 0 %
    Što se promijenilo
    Odbijeni i nevaljani kandidati čuvaju se s roditeljskim rodoslovljem, a odabir na trainu, zapečaćena prihvatljivost i ovlast za izdanje proizvoda zasebni su zapisi.
    Što to potkrepljuje
    r14 je na trainu dobio KEEP (šest jedinica zadataka, po jedan pokušaj, bez ovlasti za promociju), ali je njegova zasebna zapečaćena presuda bila REJECT (bez ovlasti za promociju u proizvod ni izdanje). r35 je INVALID zbog nepotpune pokrivenosti i infrastrukturne kontaminacije; bez uparenih redaka njegov prosjek ostaje null. To nije ni samomodifikacija izvršnog okruženja ni lanac postavljanja SIL → Crucible.

  3. July 21, 2026 · July 31, 2026Pročišćavanje · objava

    Preostali zapisi razvrstani su, a samo ono što se smije podijeliti postalo je nepromjenjivo izdanje

    PitanjeŠto se zaista može rekonstruirati, a što se može sigurno podijeliti?

    1. Privatni izvorZapis sesije · izvorni dokaziizvorni rezultat · s verifikatorom
      • Normalizirani događajisačuvati redoslijed · identitet
    2. Normalizirani događajiidentitet · redoslijed · parovi poziv–rezultat
      • Javni kandidatpopis dopuštenih · uklanjanje · digest
    3. Javni kandidatu pregledu
      • Provjere cjelovitosti · privatnostiprovjeriti
    4. Provjere cjelovitosti · privatnostiparovi · rodoslovlje · opseg
      • Nepromjenjivo izdanjesamo pregledani bajtovi
    5. Javni repozitorijNepromjenjivo izdanjemanifest · izvorni rezultati preko digesta
      • Udaljeno ponovno čitanjeprovjeriti hash
    6. Udaljeno ponovno čitanjefiksirani SHA-256
    Što se promijenilo
    Inventura od July 21, 2026 razvrstala je zapise dijaloga, alata, pretraživanja i odluka po izvoru, a duplikati istog izvora nisu brojani kao neovisni primjeri. Od July 31, 2026 geode.trajectory@1 i geode.trajectory-release@1 izričito određuju identitet, redoslijed događaja, parove poziv–rezultat, opseg i cjelovitost replaya te manifeste vezane uz sadržaj. Pretvorene javne kopije i izvornici imaju zasebne digeste.
    Što to potkrepljuje
    Pročišćavanje ovdje znači normalizaciju, korelaciju, izričito uklanjanje osjetljivih podataka, rodoslovlje i prihvaćanje za objavu. Ne rekonstruira skriveno zaključivanje niti proglašava skup podataka spremnim za treniranje. Potpun opseg nije potpun replay bajt po bajt kad su privatni tekstovi zamijenjeni digestima.

  4. August 25, 2026Learning view

    Jedno izvođenje i njegovi dokazi povezani su identifikatorima

    PitanjeKoji ulaz, pokušaj, slijed događaja i nagrada pripadaju zajedno?

    geode.eval-learning-view@2 · povezano preko ID-ova i provjerenih digesta, a ne uzročnim redoslijedom

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

    Nagrada pripada izvornim receiptima verifikatora. Ponovni pokušaji zbog infrastrukture pokušaji su unutar jednog izvođenja.

    Što se promijenilo
    Nepromjenjive putanje ponovno se koriste kroz spajanja ograničenog opsega, a nagrade ostaju izvedene oznake u vlasništvu evaluatora. Ponovni pokušaji zbog infrastrukture ne dodaju izvođenja. Opažena 0 čuva se, a nedostajuća nagrada je null; nevaljani ili prekinuti pokušaji isključuju se iz odabira nagrade. Valjanost je svojstvo izvođenja, a ne automatski nagrada null.
    Što to potkrepljuje
    Izvođenje Terminal-Bench fast-3 s Harborom 0.8.0 (tri zadatka, 3/3) i dijagnostika Tau2 u tri domene (1/3, dvije valjane nule) povezani su u istoj strukturi. To su kandidati za naknadno treniranje, a ne skupovi podataka korišteni za treniranje ni dokaz poboljšanih težina, a rezultat na tri zadatka nije točnost cijelog skupa.

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

    Jedan trial zasebno je proizveo rezultat i zapis replaya

    PitanjeKako stvarno izvođenje zadatka postaje rezultat i replay koji se može pregledati?

    1. Zamrznuti zadatak · specifikacijafiksirano unaprijed · pet ponavljanja
      • Izolirani trialuputa · okruženje · ograničenja
    2. Trial Harbor 0.22.0 · stvarno izvođenjeIzolirani trialGEODE kao actor
      • Radnje i konačno stanjeizvesti
    3. Radnje i konačno stanjeopaženo ponašanje
      • Verifikator u vlasništvu zadatkaprovjeriti stanje zadatka
      • ATIF · projekcija javnih događajaprojicirati zabilježene događaje
    4. Verifikator u vlasništvu zadatka
      • Izvorna nagrada · receiptnagrada
    5. Izvorna nagrada · receipt
      • Analiza odabranog pokušajazamrznuti odabir
    6. ATIF · projekcija javnih događajanaknadna obrada · nije novo izvođenje
    7. Analiza odabranog pokušajazamrznuto pravilo odabira
    Što se promijenilo
    Zamrznuta specifikacija, svaki pokušaj, odabrani rezultat, verifikator u vlasništvu zadatka i vjeran, ali ograničen replay čuvaju se kao zasebni povezani zapisi. Harbor 0.22.0 izveo je pet ponavljanja s GPT-5.6 Sol/max, uspoređujući GEODE (tada adapter s jednim terminalskim alatom) i Codex.
    Što to potkrepljuje
    Zadatak obuhvaća upute, okruženje i testove; trial je jedan pokušaj; job grupira trialove. Nagradu određuje verifikator u vlasništvu zadatka, a GEODE-ov unutarnji sudac završetka povratna je informacija tijekom izvođenja. Javni replay naknadna je projekcija zabilježenih događaja alata, a ne sirovi PTY ni novo izvođenje, i za ćelije koje nedostaju nisu izmišljene naredbe. Unaprijed registrirana primarna metrika nije se mogla izmjeriti.

  6. September 24, 2026 to September 28, 2026Jev · delegiranje odluka

    Ispravan kandidat i dalje treba provjeru isporuke

    PitanjeČuva li delegirana prosudba stvarno kvalitetu zadatka i konačnu isporuku?

    1. U8n · izvođenje Noul · Harbor 0.22 · Astra izvodi i popravlja, mijenja se samo put prosudbeStanje odlukeugovor zadatka · kandidat · opažanja alata
      • Prosudba · Noululaz prosudbe
    2. Prosudba · NoulAstra ili Jev
      • GEODE koristivjerojatnosti uvjeta
    3. GEODE koristisupported: isporučiti; nedostaju dokazi: zadržati
      • Konačna isporukasupported
      • Popravak Astrenedostaju dokazi · zadržati
    4. Konačna isporuka
      • Neovisna provjera ishodaisporučeni rezultat
    5. Popravak Astresljedeći kandidat nakon povratne informacije
      • Prosudba · Noulponovno prosuditi
      • Posljednji kandidat · sačuvanposljednji kandidat sačuvan
    6. Neovisna provjera ishodaorakul pravila · isporučeni rezultat
    7. Fiksni paneli U3samo prosudba · bez actora, alata i Harbora
    8. Naknadna dijagnoza · nakon izvođenjaPosljednji kandidat · sačuvan
      • Naknadna dijagnoza orakulomnaknadna provjera
    9. Naknadna dijagnoza orakulomtočnost kandidata · ne utječe na isporuku
    Što se promijenilo
    Prihvaćanje prosudbe, točnost kandidata i konačna isporuka bilježe se kao zasebni ishodi, a rodoslovlja pripreme, neuspjeha i popravaka čuvaju se u javnoj kopiji. Izvorni i pretvoreni javni hashevi drže se odvojeno.
    Što to potkrepljuje
    U 11 naknadnih parova iz prekinutog istraživanja U8n posljednji je kandidat bio točan u obje grane, no isporuka je bila Astra 11/11 i Jev Noul 0/11: prosudba Jev Noula o nedostatku dokaza zadržala je isporuku. To je naknadna analiza i ne generalizira se. Javni brojčani ponovni izračun, pregled replaya i novo živo izvođenje tri su različite operacije.