RO
Geodi, personajul pixelat oficial al GEODE
Înapoi în sală

GEODE

Autonomous Agent Harness

De la observație la următoarea acțiune.

Un cadru local pentru agenți autonomi, căruia i se pot încredința cercetare, lucru cu fișiere și sarcini programate.

2026.02.21 — present

Proiectare, judecată, verificare: Author · implementare: Claude · revizuire: Codex

  • CLIPublicat · PyPI
  • Server MCPImplementat

De la rulări la dovezi

O rată de reușită nu poate explica singură o execuție. Păstrez ordinea evenimentelor, apelurile de instrumente și rezultatele lor, descendența reîncercărilor și dovezile verificatorilor independenți, apoi leg părțile care pot fi publicate. Aceste experimente arată cum s-au dezvoltat contractele de înregistrare și de evaluare.

Pe experimente · în ordinea datelor

Cele șase experimente sunt așezate în ordinea datelor; nu formează un singur proces de optimizare continuu. SIL nu alimentează automat Crucible sau Jev, iar aceasta nu este o afirmație că GEODE din producție s-a îmbunătățit continuu. Datele sunt cele ale experimentelor și ale instantaneelor de publicare, iar săgețile sunt folosite doar pentru etapele dintr-un singur experiment.

  1. June 3, 2026 to June 4, 2026SIL · căutare externă de politici

    Un KEEP obținut dintr-un singur audit a fost reverificat prin măsurători repetate

    ÎntrebareA îmbunătățit o mutație de politică comportamentul de utilizare a instrumentelor peste zgomotul auditului?

    Experiment extern · în afara mediului de execuție GEODE

    1. Referință · K=5
    2. O singură mutație de politică
    3. Audit Petri
    4. Măsurători repetate
      • Păstrare
      • Revenire
    Ce s-a schimbat
    În acest experiment, singurului audit al unei mutații i s-au adăugat măsurători repetate înainte de decizia de păstrare sau revenire. Au fost adăugate seed-uri potrivite ca dificultate și o referință K=5, iar brațele never, random și gate separă deriva fără nicio schimbare de schimbările acceptate.
    Ce susține
    Remăsurat, candidatul păstrat pe baza unui singur audit a fost mai slab decât referința (mai mic este mai bine), așa că adoptarea lui a fost anulată. Experimentul s-a încheiat fără o îmbunătățire solidă. Este un audit comportamental Petri broken_tool_use, nu o recompensă pentru finalizarea sarcinilor.

  2. July 11, 2026 to July 13, 2026Crucible · nucleu experimental extern

    Rămânerea în căutare și ajungerea în produs sunt verdicte separate

    ÎntrebareSunt dovezile pentru păstrarea unui candidat în căutare aceleași cu dovezile pentru promovarea și lansarea lui în produs?

    Nucleul extern Crucible · checkout de măsurare separat

    1. Candidat · descendența părintelui
    2. Verificarea contractului înghețat
    3. Măsurare pereche
      • KEEPdoar până la un verdict sigilat separat
      • REJECT
      • INVALIDnull, nu 0%
    Ce s-a schimbat
    Candidații respinși și cei invalizi sunt păstrați împreună cu descendența părintelui, iar selecția pe train, eligibilitatea sigilată și dreptul de lansare în produs sunt înregistrări separate.
    Ce susține
    r14 a fost KEEP pe train (șase unități de sarcini, câte o încercare, fără drept de promovare), dar verdictul său sigilat separat a fost REJECT (fără drept de promovare în produs sau de lansare). r35 este INVALID din cauza acoperirii incomplete și a contaminării infrastructurii; fără rânduri pereche, media lui rămâne null. Nu este nici o automodificare a mediului de execuție, nici un lanț de implementare SIL → Crucible.

  3. July 21, 2026 · July 31, 2026Rafinare · publicare

    Înregistrările rămase au fost clasificate, iar doar ce poate fi partajat a devenit o versiune imuabilă

    ÎntrebareCe poate fi reconstruit cu adevărat și ce poate fi partajat în siguranță?

    1. Sursă privatăÎnregistrarea sesiunii · dovezi nativerezultat nativ · cu verificator inclus
      • Evenimente normalizatepăstrarea ordinii · identității
    2. Evenimente normalizateidentitate · ordine · perechi apel–rezultat
      • Candidat publiclistă permisă · mascare · digest
    3. Candidat publicîn revizuire
      • Verificări de integritate · confidențialitateverificare
    4. Verificări de integritate · confidențialitateîmperechere · descendență · domeniu
      • Versiune imuabilădoar octeți revizuiți
    5. Depozit publicVersiune imuabilămanifest · rezultate native referite prin digest
      • Recitire de la distanțăverificarea hash-ului
    6. Recitire de la distanțăSHA-256 fixat
    Ce s-a schimbat
    Inventarul din 21 iulie 2026 a clasificat după sursă înregistrările de dialog, instrumente, căutare și decizie, iar duplicatele aceleiași surse nu au fost numărate ca exemple independente. Din 31 iulie 2026, geode.trajectory@1 și geode.trajectory-release@1 fac explicite identitatea, ordinea evenimentelor, perechile apel–rezultat, integritatea domeniului și a reluării și manifestele legate de conținut. Copiile publice transformate și originalele păstrează digest-uri separate.
    Ce susține
    Rafinarea înseamnă aici normalizare, corelare, mascare explicită, descendență și admitere la publicare. Nu reconstruiește raționamente ascunse și nu declară un set de date gata de antrenare. Un domeniu complet nu înseamnă o reluare completă la nivel de octet atunci când corpurile private sunt înlocuite cu digest-uri.

  4. August 25, 2026Learning view

    O rulare și dovezile ei au fost legate prin identificatori

    ÎntrebareCe intrare, încercare, secvență de evenimente și recompensă merg împreună?

    geode.eval-learning-view@2 · legate prin ID-uri și digest-uri verificate, nu o ordine cauzală

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

    Confirmările verificatorului nativ dețin recompensa. Reîncercările de infrastructură sunt încercări în cadrul unei singure rulări.

    Ce s-a schimbat
    Traiectoriile imuabile sunt reutilizate prin join-uri cu domeniu definit, iar recompensele rămân etichete derivate deținute de evaluator. Reîncercările de infrastructură nu adaugă rulări. Un 0 observat este păstrat, iar o recompensă lipsă este null; încercările invalide sau întrerupte sunt excluse din selecția recompensei. Validitatea este o proprietate a rulării, nu înseamnă automat o recompensă null.
    Ce susține
    Rularea Terminal-Bench fast-3 cu Harbor 0.8.0 (trei sarcini, 3/3) și un diagnostic Tau2 pe trei domenii (1/3, două zerouri valide) sunt legate în aceeași structură. Sunt candidați pentru post-antrenare, nu seturi de date folosite la antrenare sau dovezi ale unor ponderi îmbunătățite, iar un rezultat pe trei sarcini nu este acuratețea întregii suite.

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

    O singură încercare a produs separat rezultatul și înregistrarea pentru reluare

    ÎntrebareCum devine execuția reală a unei sarcini un rezultat și o reluare inspectabilă?

    1. Sarcină înghețată · specificațiefixată dinainte · cinci repetări
      • Încercare izolatăinstrucțiune · mediu · limite
    2. Încercare Harbor 0.22.0 · execuție realăÎncercare izolatăGEODE ca actor
      • Acțiuni și stare finalăexecutare
    3. Acțiuni și stare finalăcomportament observat
      • Verificator deținut de sarcinăverificarea stării sarcinii
      • ATIF · proiecție de evenimente publiceproiectarea evenimentelor înregistrate
    4. Verificator deținut de sarcină
      • Recompensă nativă · receiptrecompensă
    5. Recompensă nativă · receipt
      • Analiza încercării selectateselecție înghețată
    6. ATIF · proiecție de evenimente publicepost-procesare · nu o rulare nouă
    7. Analiza încercării selectateregulă de selecție înghețată
    Ce s-a schimbat
    Specificația înghețată, fiecare încercare, rezultatul selectat, verificatorul deținut de sarcină și o reluare fidelă, dar limitată, sunt păstrate ca înregistrări separate, legate între ele. Harbor 0.22.0 a rulat cinci repetări cu GPT-5.6 Sol/max, comparând GEODE (pe atunci un adaptor cu un singur instrument de terminal) cu Codex.
    Ce susține
    O sarcină deține instrucțiunile, mediul și testele; o încercare (trial) este o tentativă; un job grupează încercările. Verificatorul deținut de sarcină decide recompensa, iar judecătorul intern de finalizare al GEODE este feedback în timpul rulării. Reluarea publică este o proiecție post-hoc a evenimentelor de instrumente înregistrate, nu un PTY brut sau o rulare nouă, iar pentru celulele lipsă nu au fost inventate comenzi. Metrica principală preînregistrată nu a putut fi măsurată.

  6. September 24, 2026 to September 28, 2026Jev · delegarea deciziilor

    Un candidat corect are totuși nevoie de verificarea livrării

    ÎntrebarePăstrează o judecată delegată, în realitate, calitatea sarcinii și livrarea finală?

    1. U8n · rulare Noul · Harbor 0.22 · Astra execută și repară, se schimbă doar ruta judecățiiStarea de deciziecontractul sarcinii · candidat · observațiile instrumentelor
      • Judecată · Noulintrarea judecății
    2. Judecată · NoulAstra sau Jev
      • GEODE consumăprobabilitățile condițiilor
    3. GEODE consumăsusținut: livrare; dovezi lipsă: reținere
      • Livrarea finalăsusținut
      • Repararea Astradovezi lipsă · reținere
    4. Livrarea finală
      • Verificare independentă a rezultatuluirezultat livrat
    5. Repararea Astraurmătorul candidat după feedback
      • Judecată · Nouljudecată din nou
      • Ultimul candidat · păstratultimul candidat păstrat
    6. Verificare independentă a rezultatuluioracol de reguli · rezultatul livrat
    7. Panelurile fixe U3doar judecăți · fără actor, instrumente sau Harbor
    8. Diagnostic post-hoc · după rulareUltimul candidat · păstrat
      • Diagnostic post-hoc cu oracolverificare post-hoc
    9. Diagnostic post-hoc cu oracolcorectitudinea candidatului · fără efect asupra livrării
    Ce s-a schimbat
    Acceptarea judecății, corectitudinea candidatului și livrarea finală sunt înregistrate ca rezultate separate, iar descendențele de pregătire, eșec și reparare sunt păstrate în copia publică. Hash-urile publice ale originalului și ale variantei transformate rămân separate.
    Ce susține
    În cele 11 perechi post-hoc din studiul întrerupt U8n, ultimul candidat a fost corect în ambele brațe, dar livrarea a fost Astra 11/11 și Jev Noul 0/11: judecata de tip dovezi lipsă a Jev Noul a reținut livrarea. Este o analiză post-hoc și nu este generalizată. Recalcularea numerică publică, inspectarea reluării și o nouă execuție reală sunt trei operații diferite.