PL
Geodi, oficjalna pikselowa postać GEODE
Powrót do sali

GEODE

Autonomous Agent Harness

Od obserwacji do następnego działania.

Lokalny harness autonomicznego agenta, któremu można powierzyć badania, pracę na plikach i zadania zaplanowane.

2026.02.21 — present

Projektowanie, ocena, weryfikacja: autor · implementacja: Claude · przegląd: Codex

  • CLIOpublikowane · PyPI
  • Serwer MCPZaimplementowane

Od rolloutów do dowodów

Sam wskaźnik zaliczeń nie wyjaśnia wykonania. Zachowuję kolejność zdarzeń, wywołania narzędzi i wyniki, rodowód ponowień oraz dowody niezależnego weryfikatora, a następnie łączę części, które można opublikować. Te eksperymenty pokazują, jak rozwijały się kontrakty zapisu i ewaluacji.

Według eksperymentu · w kolejności dat

Sześć eksperymentów ułożono w kolejności dat; nie są jednym połączonym procesem optymalizacji. SIL nie zasila automatycznie Crucible ani Jev, a całość nie jest twierdzeniem, że produkcyjny GEODE stale się poprawiał. Daty to daty eksperymentów i migawek publikacji, a strzałki służą tylko etapom wewnątrz jednego eksperymentu.

  1. June 3, 2026 to June 4, 2026SIL · zewnętrzne przeszukiwanie polityk

    KEEP z jednego audytu sprawdzono ponownie powtórnym pomiarem

    PytanieCzy mutacja polityki poprawiła korzystanie z narzędzi ponad szum audytu?

    Eksperyment zewnętrzny · poza środowiskiem wykonawczym GEODE

    1. Baseline · K=5
    2. Jedna mutacja polityki
    3. Audyt Petri
    4. Powtórny pomiar
      • Zachowaj
      • Cofnij
    Co się zmieniło
    W tym eksperymencie do pojedynczego audytu mutacji dodano powtórny pomiar przed decyzją o zachowaniu lub cofnięciu. Dodano seedy dopasowane trudnością i baseline K=5, a ramiona never, random i gate oddzielają dryf bez żadnej zmiany od zaakceptowanych zmian.
    Co to potwierdza
    Po ponownym pomiarze kandydat zachowany na podstawie jednego audytu okazał się gorszy od baseline (im niżej, tym lepiej), więc jego przyjęcie cofnięto. Eksperyment zakończył się brakiem trwałej poprawy. To audyt behawioralny Petri broken_tool_use, a nie nagroda za ukończenie zadania.

  2. July 11, 2026 to July 13, 2026Crucible · zewnętrzne jądro eksperymentalne

    Pozostanie w przeszukiwaniu i trafienie do produktu to osobne werdykty

    PytanieCzy dowody za pozostawieniem kandydata w przeszukiwaniu są tymi samymi dowodami, co za jego promocją i wydaniem w produkcie?

    Zewnętrzne jądro Crucible · osobny checkout pomiarowy

    1. Kandydat · rodowód rodzica
    2. Kontrola zamrożonego kontraktu
    3. Sparowany pomiar
      • KEEPtylko do osobnego zapieczętowanego werdyktu
      • REJECT
      • INVALIDnull, nie 0%
    Co się zmieniło
    Odrzuceni i nieważni kandydaci są zachowywani wraz z rodowodem rodzica, a wybór train, zapieczętowana kwalifikacja i uprawnienie do wydania produktu to osobne zapisy.
    Co to potwierdza
    r14 otrzymał KEEP w train (sześć jednostek zadań, po jednej próbie, bez uprawnienia do promocji), ale jego osobny zapieczętowany werdykt brzmiał REJECT (bez uprawnienia do promocji produktu ani wydania). r35 jest INVALID z powodu niepełnego pokrycia i skażenia infrastruktury; bez sparowanych wierszy jego średnia pozostaje null. To ani samomodyfikacja środowiska wykonawczego, ani łańcuch wdrożeniowy SIL → Crucible.

  3. July 21, 2026 · July 31, 2026Uszlachetnianie · publikacja

    Pozostałe zapisy sklasyfikowano, a niezmiennym wydaniem stało się tylko to, co można udostępnić

    PytanieCo faktycznie da się zrekonstruować, a co można bezpiecznie udostępnić?

    1. Źródło prywatneZapis sesji · dowody natywnewynik natywny · z weryfikatorem
      • Znormalizowane zdarzeniazachowanie kolejności · tożsamości
    2. Znormalizowane zdarzeniatożsamość · kolejność · pary wywołanie–wynik
      • Kandydat do publikacjiallowlist · maskowanie · digest
    3. Kandydat do publikacjiw przeglądzie
      • Kontrole integralności · prywatnościkontrola
    4. Kontrole integralności · prywatnościparowanie · rodowód · zakres
      • Niezmienne wydanietylko przejrzane bajty
    5. Repozytorium publiczneNiezmienne wydaniemanifest · wyniki natywne przez digest
      • Zdalny odczyt kontrolnyweryfikacja hasha
    6. Zdalny odczyt kontrolnyprzypięty SHA-256
    Co się zmieniło
    Inwentaryzacja z July 21, 2026 sklasyfikowała zapisy dialogów, narzędzi, wyszukiwań i decyzji według źródła, a duplikatów z tego samego źródła nie liczono jako niezależnych przykładów. Od July 31, 2026 geode.trajectory@1 i geode.trajectory-release@1 jawnie określają tożsamość, kolejność zdarzeń, pary wywołanie–wynik, zakres i integralność odtworzenia oraz manifesty powiązane z treścią. Przekształcone kopie publiczne i oryginały mają osobne digesty.
    Co to potwierdza
    Uszlachetnianie oznacza tu normalizację, korelację, jawne maskowanie, rodowód i dopuszczenie do publikacji. Nie rekonstruuje ukrytego rozumowania ani nie ogłasza zbioru danych gotowego do treningu. Pełny zakres nie oznacza pełnego odtworzenia bajtów, gdy prywatne treści zastąpiono digestami.

  4. August 25, 2026Learning view

    Jeden rollout i jego dowody powiązano identyfikatorami

    PytanieKtóre wejście, podejście, sekwencja zdarzeń i nagroda należą do siebie?

    geode.eval-learning-view@2 · łączone przez ID i zweryfikowane digesty, nie kolejność przyczynowa

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

    Nagroda należy do natywnych receipt weryfikatora. Ponowienia infrastrukturalne to podejścia w ramach jednego rolloutu.

    Co się zmieniło
    Niezmienne trajektorie są ponownie wykorzystywane przez złączenia o określonym zakresie, a nagrody pozostają etykietami pochodnymi należącymi do ewaluatora. Ponowienia infrastrukturalne nie dodają rolloutów. Zaobserwowane 0 zostaje zachowane, a brakująca nagroda to null; nieważne lub przerwane podejścia są wyłączone z wyboru nagrody. Ważność jest właściwością rolloutu, a nie automatycznie nagrodą null.
    Co to potwierdza
    Przebieg Terminal-Bench fast-3 na Harbor 0.8.0 (trzy zadania, 3/3) i diagnostyka Tau2 w trzech domenach (1/3, dwa ważne zera) są powiązane w tej samej strukturze. To kandydaci do post-trainingu, a nie zbiory danych użyte do treningu ani dowód poprawy wag, a wynik z trzech zadań nie jest trafnością całego zestawu.

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

    Jeden trial wytworzył wynik i zapis replay osobno

    PytanieJak rzeczywiste wykonanie zadania staje się wynikiem i możliwym do sprawdzenia replay?

    1. Zamrożone zadanie · specustalone z góry · pięć powtórzeń
      • Odizolowany trialinstrukcja · środowisko · limity
    2. Trial Harbor 0.22.0 · rzeczywiste wykonanieOdizolowany trialGEODE jako aktor
      • Działania i stan końcowywykonanie
    3. Działania i stan końcowyzaobserwowane zachowanie
      • Weryfikator należący do zadaniakontrola stanu zadania
      • ATIF · rzut zdarzeń publicznychrzutowanie zapisanych zdarzeń
    4. Weryfikator należący do zadania
      • Nagroda natywna · receiptnagroda
    5. Nagroda natywna · receipt
      • Analiza wybranego podejściazamrożony wybór
    6. ATIF · rzut zdarzeń publicznychprzetwarzanie końcowe · nie nowy przebieg
    7. Analiza wybranego podejściazamrożona reguła wyboru
    Co się zmieniło
    Zamrożona spec, każde podejście, wybrany wynik, weryfikator należący do zadania i wierny, choć ograniczony replay są przechowywane jako osobne, powiązane zapisy. Harbor 0.22.0 wykonał pięć powtórzeń z GPT-5.6 Sol/max, porównując GEODE (wówczas adapter z jednym narzędziem terminala) z Codex.
    Co to potwierdza
    Zadanie obejmuje instrukcje, środowisko i testy; trial to jedno podejście; job grupuje triale. O nagrodzie decyduje weryfikator należący do zadania, a wewnętrzny sędzia ukończenia GEODE to informacja zwrotna w trakcie działania. Publiczny replay to rzut post hoc zapisanych zdarzeń narzędzi, a nie surowy PTY ani nowy przebieg, i dla brakujących komórek nie wymyślono żadnych poleceń. Wstępnie zarejestrowanej metryki głównej nie dało się zmierzyć.

  6. September 24, 2026 to September 28, 2026Jev · przekazywanie decyzji

    Poprawny kandydat nadal wymaga weryfikacji dostarczenia

    PytanieCzy delegowana ocena faktycznie zachowuje jakość zadania i końcowe dostarczenie?

    1. U8n · przebieg Noul · Harbor 0.22 · Astra wykonuje i naprawia, zmienia się tylko ścieżka ocenyStan decyzjikontrakt zadania · kandydat · obserwacje narzędzi
      • Ocena · Noulwejście oceny
    2. Ocena · NoulAstra lub Jev
      • GEODE wykorzystujeprawdopodobieństwa warunków
    3. GEODE wykorzystujesupported: dostarcz; brak dowodów: wstrzymaj
      • Końcowe dostarczeniesupported
      • Naprawa przez Astrabrak dowodów · wstrzymanie
    4. Końcowe dostarczenie
      • Niezależna kontrola wynikudostarczony wynik
    5. Naprawa przez Astrakolejny kandydat po informacji zwrotnej
      • Ocena · Noulponowna ocena
      • Ostatni kandydat · zachowanyostatni kandydat zachowany
    6. Niezależna kontrola wynikuwyrocznia regułowa · dostarczony wynik
    7. Stałe panele U3tylko oceny · bez aktora, narzędzi i Harbor
    8. Diagnoza post hoc · po przebieguOstatni kandydat · zachowany
      • Diagnoza wyrocznią post hockontrola post hoc
    9. Diagnoza wyrocznią post hocpoprawność kandydata · bez wpływu na dostarczenie
    Co się zmieniło
    Akceptacja oceny, poprawność kandydata i końcowe dostarczenie są zapisywane jako osobne wyniki, a rodowody przygotowania, awarii i naprawy są zachowane w kopii publicznej. Hashe oryginału i przekształconej kopii publicznej pozostają oddzielne.
    Co to potwierdza
    W 11 parach post hoc z przerwanego badania U8n ostatni kandydat był poprawny w obu ramionach, a jednak dostarczenie wyniosło Astra 11/11 i Jev Noul 0/11: ocena braku dowodów w Jev Noul wstrzymała dostarczenie. To analiza post hoc i nie jest uogólniana. Publiczne przeliczenie liczb, inspekcja replay i nowe wykonanie na żywo to trzy różne operacje.