SK
Geodi, oficiálna pixelová postava GEODE
Späť do sály

GEODE

Autonomous Agent Harness

Od pozorovania k ďalšej akcii.

Lokálny harness autonómneho agenta, ktorému sa dá zveriť výskum, práca so súbormi a plánované úlohy.

2026.02.21 — present

Návrh, posúdenie, overenie: autor · implementácia: Claude · revízia: Codex

  • CLIZverejnené · PyPI
  • Server MCPImplementované

Od rolloutov k dokladom

Samotná miera úspešnosti vykonávanie nevysvetlí. Uchovávam poradie udalostí, volania nástrojov a výsledky, pôvod opakovaní a doklady nezávislého verifikátora a potom prepájam časti, ktoré sa dajú zverejniť. Tieto experimenty ukazujú, ako sa vyvíjali kontrakty záznamu a evaluácie.

Podľa experimentu · v poradí dátumov

Šesť experimentov je zoradených podľa dátumov; netvoria jeden prepojený optimalizačný proces. SIL automaticky nenapája Crucible ani Jev a celok netvrdí, že sa produkčný GEODE neustále zlepšoval. Dátumy sú dátumy experimentov a snímok zverejnenia a šípky sa používajú len pre fázy vnútri jedného experimentu.

  1. June 3, 2026 to June 4, 2026SIL · externé hľadanie politík

    KEEP z jedného auditu bol znova overený opakovaným meraním

    OtázkaZlepšila mutácia politiky používanie nástrojov nad rámec šumu auditu?

    Externý experiment · mimo behového prostredia GEODE

    1. Baseline · K=5
    2. Jedna mutácia politiky
    3. Audit Petri
    4. Opakované meranie
      • Ponechať
      • Vrátiť
    Čo sa zmenilo
    V tomto experimente sa k jedinému auditu mutácie pred rozhodnutím o ponechaní či vrátení pridalo opakované meranie. Pribudli seedy vyrovnané podľa obtiažnosti a baseline K=5 a ramená never, random a gate oddeľujú drift bez akejkoľvek zmeny od prijatých zmien.
    Čo to dokladá
    Po novom meraní bol kandidát ponechaný na základe jedného auditu horší ako baseline (nižšie je lepšie), preto sa jeho prijatie vrátilo. Experiment skončil bez robustného zlepšenia. Ide o behaviorálny audit Petri broken_tool_use, nie o odmenu za dokončenie úlohy.

  2. July 11, 2026 to July 13, 2026Crucible · externé experimentálne jadro

    Zostať v hľadaní a dostať sa do produktu sú samostatné rozhodnutia

    OtázkaSú doklady na ponechanie kandidáta v hľadaní rovnaké ako doklady na jeho povýšenie a vydanie v produkte?

    Externé jadro Crucible · samostatný merací checkout

    1. Kandidát · pôvod z rodiča
    2. Kontrola zmrazeného kontraktu
    3. Párové meranie
      • KEEPlen k samostatnému zapečatenému rozhodnutiu
      • REJECT
      • INVALIDnull, nie 0 %
    Čo sa zmenilo
    Zamietnutí aj neplatní kandidáti sa uchovávajú spolu s pôvodom z rodiča a výber v train, zapečatená spôsobilosť a oprávnenie na vydanie produktu sú samostatné záznamy.
    Čo to dokladá
    r14 dostal v train KEEP (šesť jednotiek úloh, po jednom pokuse, bez oprávnenia na povýšenie), ale jeho samostatné zapečatené rozhodnutie bolo REJECT (bez oprávnenia na povýšenie do produktu či vydanie). r35 je INVALID pre neúplné pokrytie a kontamináciu infraštruktúry; bez párových riadkov zostáva jeho priemer null. Nejde o sebamodifikáciu behového prostredia ani o reťazec nasadenia SIL → Crucible.

  3. July 21, 2026 · July 31, 2026Spresnenie · zverejnenie

    Zostávajúce záznamy sa roztriedili a nemenným vydaním sa stalo len to, čo sa dá zdieľať

    OtázkaČo sa dá skutočne rekonštruovať a čo sa dá bezpečne zdieľať?

    1. Súkromný zdrojZáznam relácie · natívne dokladynatívny výsledok · vrátane verifikátora
      • Normalizované udalostizachovať poradie · identitu
    2. Normalizované udalostiidentita · poradie · páry volanie–výsledok
      • Kandidát na zverejnenieallowlist · maskovanie · digest
    3. Kandidát na zverejneniev revízii
      • Kontroly integrity · súkromiakontrola
    4. Kontroly integrity · súkromiapárovanie · pôvod · rozsah
      • Nemenné vydanielen revidované bajty
    5. Verejný repozitárNemenné vydaniemanifest · natívne výsledky cez digest
      • Vzdialené spätné čítanieoverenie hashu
    6. Vzdialené spätné čítaniepripnutý SHA-256
    Čo sa zmenilo
    Inventúra z July 21, 2026 roztriedila záznamy dialógov, nástrojov, vyhľadávaní a rozhodnutí podľa zdroja a duplikáty toho istého zdroja sa nepočítali ako nezávislé príklady. Od July 31, 2026 geode.trajectory@1 a geode.trajectory-release@1 výslovne určujú identitu, poradie udalostí, páry volanie–výsledok, rozsah a integritu prehrania a manifesty viazané na obsah. Transformované verejné kópie a originály majú samostatné digesty.
    Čo to dokladá
    Spresnenie tu znamená normalizáciu, koreláciu, výslovné maskovanie, pôvod a pripustenie na zverejnenie. Nerekonštruuje skryté uvažovanie ani nevyhlasuje dátovú sadu pripravenú na tréning. Úplný rozsah neznamená úplné prehranie bajtov, keď sú súkromné telá nahradené digestmi.

  4. August 25, 2026Learning view

    Jeden rollout a jeho doklady boli zviazané identifikátormi

    OtázkaKtorý vstup, pokus, sled udalostí a odmena k sebe patria?

    geode.eval-learning-view@2 · spojené cez ID a overené digesty, nie kauzálne poradie

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

    Odmena patrí natívnym receipt verifikátora. Infraštruktúrne opakovania sú pokusy v rámci jedného rolloutu.

    Čo sa zmenilo
    Nemenné trajektórie sa znova využívajú cez spojenia s vymedzeným rozsahom a odmeny zostávajú odvodenými štítkami, ktoré vlastní evaluátor. Infraštruktúrne opakovania nepridávajú rollouty. Pozorovaná 0 sa zachováva a chýbajúca odmena je null; neplatné alebo prerušené pokusy sú z výberu odmeny vylúčené. Platnosť je vlastnosťou rolloutu, nie automaticky odmena null.
    Čo to dokladá
    Beh Terminal-Bench fast-3 na Harbor 0.8.0 (tri úlohy, 3/3) a diagnostika Tau2 v troch doménach (1/3, dve platné nuly) sú zviazané v rovnakej štruktúre. Ide o kandidátov na post-training, nie o dátové sady použité na tréning ani o doklad zlepšenia váh, a výsledok troch úloh nie je presnosťou celej sady.

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

    Jeden trial vytvoril výsledok a záznam replay osobitne

    OtázkaAko sa skutočné vykonanie úlohy stane výsledkom a kontrolovateľným replay?

    1. Zmrazená úloha · specstanovené vopred · päť opakovaní
      • Izolovaný trialpokyn · prostredie · limity
    2. Trial Harbor 0.22.0 · skutočné vykonanieIzolovaný trialGEODE ako aktér
      • Akcie a konečný stavvykonanie
    3. Akcie a konečný stavpozorované správanie
      • Verifikátor patriaci úlohekontrola stavu úlohy
      • ATIF · projekcia verejných udalostíprojekcia zaznamenaných udalostí
    4. Verifikátor patriaci úlohe
      • Natívna odmena · receiptodmena
    5. Natívna odmena · receipt
      • Analýza vybraného pokusuzmrazený výber
    6. ATIF · projekcia verejných udalostídodatočné spracovanie · nie nový beh
    7. Analýza vybraného pokusuzmrazené pravidlo výberu
    Čo sa zmenilo
    Zmrazená spec, každý pokus, vybraný výsledok, verifikátor patriaci úlohe a verný, ale obmedzený replay sa uchovávajú ako samostatné prepojené záznamy. Harbor 0.22.0 vykonal päť opakovaní s GPT-5.6 Sol/max a porovnal GEODE (vtedy adaptér s jediným terminálovým nástrojom) s Codex.
    Čo to dokladá
    Úloha zahŕňa pokyny, prostredie a testy; trial je jeden pokus; job združuje trialy. O odmene rozhoduje verifikátor patriaci úlohe a interný sudca dokončenia v GEODE je spätná väzba počas behu. Verejný replay je dodatočná projekcia zaznamenaných udalostí nástrojov, nie surový PTY ani nový beh, a pre chýbajúce bunky sa nevymysleli žiadne príkazy. Predregistrovanú primárnu metriku nebolo možné zmerať.

  6. September 24, 2026 to September 28, 2026Jev · odovzdávanie rozhodnutí

    Aj správny kandidát potrebuje overenie doručenia

    OtázkaZachováva delegované posúdenie skutočne kvalitu úlohy a konečné doručenie?

    1. U8n · beh Noul · Harbor 0.22 · Astra vykonáva a opravuje, mení sa len cesta posudzovaniaStav rozhodnutiakontrakt úlohy · kandidát · pozorovania nástrojov
      • Posúdenie · Noulvstup posúdenia
    2. Posúdenie · NoulAstra alebo Jev
      • GEODE využijepravdepodobnosti podmienok
    3. GEODE využijesupported: doručiť; chýbajú doklady: zadržať
      • Konečné doručeniesupported
      • Oprava Astrachýbajú doklady · zadržať
    4. Konečné doručenie
      • Nezávislá kontrola výsledkudoručený výsledok
    5. Oprava Astraďalší kandidát po spätnej väzbe
      • Posúdenie · Noulposúdiť znova
      • Posledný kandidát · uchovanýposledný kandidát uchovaný
    6. Nezávislá kontrola výsledkupravidlové orákulum · doručený výsledok
    7. Pevné panely U3len posúdenia · bez aktéra, nástrojov a Harbor
    8. Diagnóza post hoc · po behuPosledný kandidát · uchovaný
      • Diagnóza orákulom post hockontrola post hoc
    9. Diagnóza orákulom post hocsprávnosť kandidáta · bez vplyvu na doručenie
    Čo sa zmenilo
    Prijatie posúdenia, správnosť kandidáta a konečné doručenie sa zaznamenávajú ako samostatné výsledky a pôvod prípravy, zlyhaní a opráv je uchovaný vo verejnej kópii. Hashe originálu a transformovanej verejnej kópie zostávajú oddelené.
    Čo to dokladá
    V 11 pároch post hoc z prerušenej štúdie U8n bol posledný kandidát správny v oboch ramenách, a predsa bolo doručenie Astra 11/11 a Jev Noul 0/11: posudok Jev Noul o chýbajúcich dokladoch doručenie zadržal. Ide o analýzu post hoc a nezovšeobecňuje sa. Verejný prepočet čísel, kontrola replay a nové živé vykonanie sú tri rôzne operácie.