HU
Geodi, a GEODE hivatalos pixelfigurája
Vissza a terembe

GEODE

Autonomous Agent Harness

A megfigyeléstől a következő műveletig.

Helyi autonómágens-keretrendszer, amelyre kutatás, fájlműveletek és ütemezett feladatok bízhatók.

2026.02.21 — present

Tervezés, megítélés, ellenőrzés: Author · megvalósítás: Claude · felülvizsgálat: Codex

  • CLIKözzétéve · PyPI
  • MCP-szerverMegvalósítva

A lefuttatásoktól a bizonyítékokig

Egy sikerességi arány önmagában nem magyaráz meg egy végrehajtást. Megőrzöm az események sorrendjét, az eszközhívásokat és eredményeiket, az újrapróbálkozások leszármazását és a független ellenőrzők bizonyítékait, majd összekapcsolom a közzétehető részeket. Ezek a kísérletek mutatják, hogyan alakultak a rögzítési és kiértékelési szerződések.

Kísérletenként · dátum szerint

A hat kísérlet dátum szerinti sorrendben áll; nem egyetlen összefüggő optimalizálási folyamat. A SIL nem táplálja automatikusan a Crucible-t vagy a Jev-et, és ez nem állítás arról, hogy az éles GEODE folyamatosan javult. A dátumok a kísérletek és a közzétételi pillanatképek dátumai, nyilak csak egy kísérleten belüli szakaszokhoz tartoznak.

  1. June 3, 2026 to June 4, 2026SIL · külső szabályzatkeresés

    Egyetlen audit KEEP-jét ismételt méréssel ellenőrizték újra

    KérdésJavított-e egy szabályzatmutáció az eszközhasználati viselkedésen az auditzajon túl?

    Külső kísérlet · a GEODE futtatókörnyezetén kívül

    1. Alapvonal · K=5
    2. Egy szabályzatmutáció
    3. Petri-audit
    4. Ismételt mérés
      • Megtartás
      • Visszaállítás
    Mi változott
    Ebben a kísérletben a mutáció egyetlen auditja mellé ismételt mérés került, mielőtt a megtartásról vagy visszaállításról döntöttek. Nehézség szerint illesztett seedek és K=5 alapvonal kerültek be, a never, random és gate karok pedig elválasztják a változtatás nélküli sodródást az elfogadott változtatásoktól.
    Mit támaszt alá
    Újramérve az egyetlen auditon megtartott jelölt rosszabb volt az alapvonalnál (az alacsonyabb a jobb), ezért elfogadását visszavonták. A kísérlet következtetése: nincs szilárd javulás. Ez Petri broken_tool_use viselkedési audit, nem feladatteljesítési jutalom.

  2. July 11, 2026 to July 13, 2026Crucible · külső kísérleti kernel

    A keresésben maradás és a termékbe kerülés külön ítélet

    KérdésUgyanaz-e a bizonyíték ahhoz, hogy egy jelölt a keresésben maradjon, mint ahhoz, hogy előléptessék és kiadják a termékbe?

    Külső Crucible-kernel · külön mérési checkout

    1. Jelölt · szülői leszármazás
    2. Befagyasztott szerződés ellenőrzése
    3. Páros mérés
      • KEEPcsak külön lepecsételt ítéletig
      • REJECT
      • INVALIDnull, nem 0%
    Mi változott
    Az elutasított és érvénytelen jelöltek a szülői leszármazásukkal együtt megmaradnak, a train-kiválasztás, a lepecsételt alkalmasság és a termékkiadási jogkör pedig külön feljegyzések.
    Mit támaszt alá
    Az r14 a train-ben KEEP volt (hat feladategység, egy-egy próbafutás, előléptetési jogkör nélkül), de külön lepecsételt ítélete REJECT lett (termékelőléptetési vagy kiadási jogkör nélkül). Az r35 hiányos lefedettség és infrastrukturális szennyeződés miatt INVALID; páros sorok híján átlaga null marad. Ez sem a futtatókörnyezet önmódosítása, sem SIL → Crucible telepítési lánc.

  3. July 21, 2026 · July 31, 2026Finomítás · közzététel

    A fennmaradó feljegyzéseket osztályozták, és csak a megosztható részből lett megváltoztathatatlan kiadás

    KérdésMi rekonstruálható valójában, és mi osztható meg biztonságosan?

    1. Nem nyilvános forrásMunkamenet-feljegyzés · natív bizonyítéknatív eredmény · ellenőrzővel együtt
      • Normalizált eseményeksorrend · azonosság megőrzése
    2. Normalizált eseményekazonosság · sorrend · hívás–eredmény párok
      • Nyilvános jelöltengedélylista · kitakarás · digest
    3. Nyilvános jelöltfelülvizsgálat alatt
      • Integritási · adatvédelmi ellenőrzésekellenőrzés
    4. Integritási · adatvédelmi ellenőrzésekpárosítás · leszármazás · hatókör
      • Megváltoztathatatlan kiadáscsak felülvizsgált bájtok
    5. Nyilvános tárolóMegváltoztathatatlan kiadásmanifest · a natív eredmények digesttel hivatkozva
      • Távoli visszaolvasáshash ellenőrzése
    6. Távoli visszaolvasásrögzített SHA-256
    Mi változott
    A 2026. július 21-i leltár forrás szerint osztályozta a párbeszéd-, eszköz-, keresési és döntési feljegyzéseket, és ugyanazon forrás duplikátumai nem számítottak független példának. 2026. július 31-től a geode.trajectory@1 és a geode.trajectory-release@1 explicitté teszi az azonosságot, az eseménysorrendet, a hívás–eredmény párokat, a hatókör és a visszajátszás integritását, valamint a tartalomhoz kötött manifesteket. Az átalakított nyilvános másolatok és az eredetiek külön digestet kapnak.
    Mit támaszt alá
    A finomítás itt normalizálást, korrelációt, explicit kitakarást, leszármazást és közzétételi befogadást jelent. Nem rekonstruál rejtett érvelést, és nem nyilvánít ki tanításra kész adathalmazt. A teljes hatókör nem teljes bájtszintű visszajátszás, ha a nem nyilvános tartalmakat digestek helyettesítik.

  4. August 25, 2026Learning view

    Egy lefuttatást és bizonyítékait azonosítók kötötték össze

    KérdésMelyik bemenet, kísérlet, eseménysor és jutalom tartozik össze?

    geode.eval-learning-view@2 · azonosítókkal és ellenőrzött digestekkel összekapcsolva, nem oksági sorrendben

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

    A jutalom gazdája a natív ellenőrző igazolása. Az infrastrukturális újrapróbálkozások egyetlen lefuttatáson belüli kísérletek.

    Mi változott
    A megváltoztathatatlan trajektóriákat hatókörhöz kötött illesztésekkel használják újra, a jutalmak pedig a kiértékelő tulajdonában lévő származtatott címkék maradnak. Az infrastrukturális újrapróbálkozások nem növelik a lefuttatások számát. A megfigyelt 0 megmarad, a hiányzó jutalom null; az érvénytelen vagy megszakított kísérletek kimaradnak a jutalomkiválasztásból. Az érvényesség a lefuttatás tulajdonsága, nem jelent automatikusan null jutalmat.
    Mit támaszt alá
    A Harbor 0.8.0-val futtatott Terminal-Bench fast-3 (három feladat, 3/3) és egy háromtartományos Tau2-diagnosztika (1/3, két érvényes nulla) ugyanabba a struktúrába van kötve. Ezek utótanítási jelöltek, nem tanításra használt adathalmazok vagy javított súlyok bizonyítékai, és egy háromfeladatos eredmény nem a teljes készlet pontossága.

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

    Egyetlen próbafutás külön állította elő az eredményt és a visszajátszási feljegyzést

    KérdésHogyan lesz egy valódi feladatvégrehajtásból eredmény és vizsgálható visszajátszás?

    1. Befagyasztott feladat · specifikációelőre rögzítve · öt ismétlés
      • Elszigetelt próbafutásutasítás · környezet · korlátok
    2. Harbor 0.22.0 próbafutás · valódi végrehajtásElszigetelt próbafutásGEODE mint aktor
      • Műveletek és végállapotvégrehajtás
    3. Műveletek és végállapotmegfigyelt viselkedés
      • Feladathoz tartozó ellenőrzőfeladatállapot ellenőrzése
      • ATIF · nyilvános eseményvetítésrögzített események vetítése
    4. Feladathoz tartozó ellenőrző
      • Natív jutalom · receiptjutalom
    5. Natív jutalom · receipt
      • A kiválasztott kísérlet elemzésebefagyasztott kiválasztás
    6. ATIF · nyilvános eseményvetítésutófeldolgozás · nem új futtatás
    7. A kiválasztott kísérlet elemzésebefagyasztott kiválasztási szabály
    Mi változott
    A befagyasztott specifikáció, minden kísérlet, a kiválasztott eredmény, a feladathoz tartozó ellenőrző és egy hű, de korlátozott visszajátszás külön, egymáshoz kapcsolt feljegyzésként maradt meg. A Harbor 0.22.0 öt ismétlést futtatott GPT-5.6 Sol/max-szal, a GEODE-ot (akkor egyterminál-eszközös adapter) a Codexszel összevetve.
    Mit támaszt alá
    A feladathoz tartoznak az utasítások, a környezet és a tesztek; a próbafutás egyetlen kísérlet; a job próbafutásokat csoportosít. A jutalomról a feladathoz tartozó ellenőrző dönt, a GEODE belső befejezési bírálója futás közbeni visszajelzés. A nyilvános visszajátszás a rögzített eszközesemények utólagos vetítése, nem nyers PTY és nem új futtatás, és a hiányzó cellákba nem kerültek kitalált parancsok. Az előre regisztrált elsődleges mutató nem volt mérhető.

  6. September 24, 2026 to September 28, 2026Jev · döntések kiszervezése

    Egy helyes jelöltnél is ellenőrizni kell a leszállítást

    KérdésValóban megőrzi-e a delegált megítélés a feladat minőségét és a végső leszállítást?

    1. U8n · Noul-futtatás · Harbor 0.22 · az Astra végrehajt és javít, csak a megítélés útvonala változikDöntési állapotfeladatszerződés · jelölt · eszközmegfigyelések
      • Megítélés · Noulmegítélési bemenet
    2. Megítélés · NoulAstra vagy Jev
      • A GEODE felhasználjafeltételvalószínűségek
    3. A GEODE felhasználjaalátámasztott: leszállítás; hiányzó bizonyíték: visszatartás
      • Végső leszállításalátámasztott
      • Astra-javításhiányzó bizonyíték · visszatartás
    4. Végső leszállítás
      • Független eredményellenőrzésleszállított eredmény
    5. Astra-javításkövetkező jelölt visszajelzés után
      • Megítélés · Noulújbóli megítélés
      • Utolsó jelölt · megőrizveutolsó jelölt megőrizve
    6. Független eredményellenőrzésszabályorákulum · leszállított eredmény
    7. U3 rögzített panelekcsak megítélés · aktor, eszközök, Harbor nélkül
    8. Utólagos diagnózis · a futtatás utánUtolsó jelölt · megőrizve
      • Utólagos orákulum-diagnózisutólagos ellenőrzés
    9. Utólagos orákulum-diagnózisa jelölt helyessége · nincs hatása a leszállításra
    Mi változott
    A megítélés elfogadása, a jelölt helyessége és a végső leszállítás külön eredményként rögzül, a nyilvános másolat pedig megőrzi az előkészítési, hiba- és javítási leszármazást. Az eredeti és az átalakított nyilvános hashek külön maradnak.
    Mit támaszt alá
    A megszakított U8n vizsgálat 11 utólagos párjában az utolsó jelölt mindkét karban helyes volt, a leszállítás mégis Astra 11/11 és Jev Noul 0/11 lett: a Jev Noul hiányzó bizonyítékra hivatkozó megítélése visszatartotta a leszállítást. Ez utólagos elemzés, általános következtetés nem vonható le belőle. A nyilvános numerikus újraszámítás, a visszajátszás vizsgálata és az új élő futtatás három különböző művelet.