GEODE

ตามการทดลอง · เรียงตามวันที่

การทดลองทั้งหกเรียงตามวันที่ ไม่ใช่กระบวนการปรับให้เหมาะที่เชื่อมต่อกันเป็นหนึ่งเดียว SIL ไม่ได้ป้อนเข้าสู่ Crucible หรือ Jev โดยอัตโนมัติ และนี่ไม่ใช่การอ้างว่า GEODE ที่ใช้งานจริงดีขึ้นเรื่อย ๆ วันที่คือวันที่ของการทดลองและสแนปช็อตการเผยแพร่ และลูกศรใช้เฉพาะกับขั้นตอนภายในการทดลองเดียว

1. June 3, 2026 to June 4, 2026SIL · การค้นหานโยบายภายนอก

   KEEP จากการออดิตครั้งเดียวถูกตรวจซ้ำด้วยการวัดซ้ำ

   คำถามการเปลี่ยนนโยบายปรับปรุงพฤติกรรมการใช้เครื่องมือได้เกินกว่าสัญญาณรบกวนของการออดิตหรือไม่?

   การทดลองภายนอก · นอกรันไทม์ GEODE

   1. baseline · K=5
   2. การเปลี่ยนนโยบายหนึ่งรายการ
   3. การออดิต Petri
   4. การวัดซ้ำ
   5. • คงไว้
      • ย้อนกลับ

   สิ่งที่เปลี่ยน

   ในการทดลองนี้ มีการเพิ่มการวัดซ้ำเข้ากับการออดิตครั้งเดียวของการเปลี่ยนแปลง ก่อนตัดสินว่าจะคงไว้หรือย้อนกลับ มีการเพิ่มซีดที่ปรับระดับความยากให้ตรงกันและ baseline K=5 และ arm แบบ never, random และ gate แยกการแกว่งที่เกิดขึ้นโดยไม่มีการเปลี่ยนแปลงออกจากการเปลี่ยนแปลงที่ได้รับการยอมรับ

   สิ่งที่สนับสนุน

   เมื่อวัดซ้ำ แคนดิเดตที่คงไว้จากการออดิตครั้งเดียวแย่กว่า baseline (ยิ่งต่ำยิ่งดี) จึงถอนการรับเข้าใช้ การทดลองนี้สรุปว่าไม่มีการปรับปรุงที่หนักแน่น นี่คือการออดิตพฤติกรรม Petri broken_tool_use ไม่ใช่รางวัลจากการทำงานเสร็จ

   • รายงานการรัน
   • หน้าสำหรับอ่าน

2. July 11, 2026 to July 13, 2026Crucible · เคอร์เนลการทดลองภายนอก

   การคงอยู่ในการค้นหาและการไปถึงผลิตภัณฑ์เป็นคำตัดสินที่แยกกัน

   คำถามหลักฐานสำหรับการคงแคนดิเดตไว้ในการค้นหา เป็นหลักฐานเดียวกับการเลื่อนขั้นและรีลีสสู่ผลิตภัณฑ์หรือไม่?

   เคอร์เนล Crucible ภายนอก · checkout สำหรับการวัดที่แยกต่างหาก

   1. แคนดิเดต · สายต้นทาง
   2. ตรวจกับสัญญาที่ตรึงไว้
   3. การวัดแบบจับคู่
   4. • KEEPไปได้เพียงคำตัดสิน sealed ที่แยกต่างหาก
      • REJECT
      • INVALIDnull ไม่ใช่ 0%

   สิ่งที่เปลี่ยน

   แคนดิเดตที่ถูกปฏิเสธและไม่ถูกต้องถูกเก็บไว้พร้อมสายต้นทาง และการคัดเลือกใน train การมีสิทธิ์แบบ sealed และอำนาจการรีลีสผลิตภัณฑ์เป็นบันทึกที่แยกกัน

   สิ่งที่สนับสนุน

   r14 ได้ KEEP ใน train (หกหน่วยงาน หน่วยละหนึ่งการทดลอง ไม่มีอำนาจการเลื่อนขั้น) แต่คำตัดสิน sealed ที่แยกต่างหากคือ REJECT (ไม่มีอำนาจเลื่อนขั้นสู่ผลิตภัณฑ์หรือรีลีส) r35 เป็น INVALID เพราะความครอบคลุมไม่ครบและโครงสร้างพื้นฐานปนเปื้อน เมื่อไม่มีแถวคู่ ค่าเฉลี่ยจึงยังเป็น null นี่ไม่ใช่ทั้งการแก้ไขตัวเองของรันไทม์และสายการดีพลอย SIL → Crucible

   • คำตัดสิน sealed ของ r14
   • คำตัดสิน INVALID ของ r35

3. July 21, 2026 · July 31, 2026การกลั่นกรอง · การเผยแพร่

   บันทึกที่เหลือถูกจัดประเภท และเฉพาะส่วนที่แบ่งปันได้เท่านั้นที่กลายเป็นรีลีสที่เปลี่ยนแปลงไม่ได้

   คำถามอะไรที่สร้างขึ้นใหม่ได้จริง และอะไรที่แบ่งปันได้อย่างปลอดภัย?

   ต้นทางส่วนตัว

   รีโพซิทอรีสาธารณะ

   บันทึกเซสชัน · หลักฐานต้นฉบับผลลัพธ์ native · รวม verifier

   อีเวนต์ที่ปรับมาตรฐานตัวระบุ · ลำดับ · คู่การเรียก-ผลลัพธ์

   แคนดิเดตสาธารณะอยู่ระหว่างรีวิว

   การตรวจความสมบูรณ์ · ความเป็นส่วนตัวการจับคู่ · สายที่มา · ขอบเขต

   รีลีสที่เปลี่ยนแปลงไม่ได้manifest · ผลลัพธ์ native อ้างอิงด้วย digest

   อ่านกลับจากรีโมตSHA-256 ที่ตรึงไว้

   1. ต้นทางส่วนตัวบันทึกเซสชัน · หลักฐานต้นฉบับผลลัพธ์ native · รวม verifier
      • →ไปยัง อีเวนต์ที่ปรับมาตรฐานรักษาลำดับ · ตัวระบุ
   2. อีเวนต์ที่ปรับมาตรฐานตัวระบุ · ลำดับ · คู่การเรียก-ผลลัพธ์
      • →ไปยัง แคนดิเดตสาธารณะallowlist · ปิดบัง · digest
   3. แคนดิเดตสาธารณะอยู่ระหว่างรีวิว
      • →ไปยัง การตรวจความสมบูรณ์ · ความเป็นส่วนตัวตรวจ
   4. การตรวจความสมบูรณ์ · ความเป็นส่วนตัวการจับคู่ · สายที่มา · ขอบเขต
      • →ไปยัง รีลีสที่เปลี่ยนแปลงไม่ได้เฉพาะไบต์ที่รีวิวแล้ว
   5. รีโพซิทอรีสาธารณะรีลีสที่เปลี่ยนแปลงไม่ได้manifest · ผลลัพธ์ native อ้างอิงด้วย digest
      • →ไปยัง อ่านกลับจากรีโมตตรวจแฮช
   6. อ่านกลับจากรีโมตSHA-256 ที่ตรึงไว้

   สิ่งที่เปลี่ยน

   การสำรวจเมื่อ July 21, 2026 จัดประเภทบันทึกบทสนทนา เครื่องมือ การค้นหา และการตัดสินตามแหล่งที่มา และรายการซ้ำจากแหล่งเดียวกันไม่ถูกนับเป็นตัวอย่างอิสระ ตั้งแต่ July 31, 2026 geode.trajectory@1 และ geode.trajectory-release@1 ระบุชัดแจ้งถึงตัวระบุ ลำดับอีเวนต์ คู่การเรียก-ผลลัพธ์ ความสมบูรณ์ของขอบเขตและการเล่นซ้ำ และ manifest ที่ผูกกับเนื้อหา ฉบับสาธารณะที่แปลงแล้วกับต้นฉบับมี digest แยกกัน

   สิ่งที่สนับสนุน

   การกลั่นกรองในที่นี้หมายถึงการปรับมาตรฐาน การเชื่อมโยงความสัมพันธ์ การปิดบังอย่างชัดแจ้ง สายที่มา และการอนุมัติให้เผยแพร่ ไม่ใช่การสร้างการให้เหตุผลที่ซ่อนอยู่ขึ้นใหม่หรือการประกาศว่าเป็นชุดข้อมูลพร้อมฝึก ขอบเขตที่ครบถ้วนไม่ได้หมายถึงการเล่นซ้ำระดับไบต์ที่ครบถ้วน เมื่อเนื้อหาส่วนตัวถูกแทนด้วย digest

   • สัญญา TRAJECTORIES.md
   • คู่มือการเผยแพร่

4. August 25, 2026Learning view

   โรลเอาต์หนึ่งครั้งและหลักฐานของมันถูกผูกเข้าด้วยกันด้วยตัวระบุ

   คำถามอินพุต ความพยายาม ลำดับอีเวนต์ และรางวัลใดที่เป็นคู่กัน?

   geode.eval-learning-view@2 · เชื่อมด้วย ID และ digest ที่ตรวจยืนยันแล้ว ไม่ใช่ลำดับเชิงเหตุและผล

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

   receipt ของ verifier native เป็นเจ้าของรางวัล การลองใหม่ด้านโครงสร้างพื้นฐานคือความพยายามภายในโรลเอาต์เดียว

   สิ่งที่เปลี่ยน

   trajectory ที่เปลี่ยนแปลงไม่ได้ถูกนำกลับมาใช้ผ่าน join ที่จำกัดขอบเขต และรางวัลยังคงเป็นป้ายกำกับที่คำนวณได้ซึ่ง evaluator เป็นเจ้าของ การลองใหม่ด้านโครงสร้างพื้นฐานไม่ได้เพิ่มจำนวนโรลเอาต์ ค่า 0 ที่สังเกตได้ถูกเก็บไว้ และรางวัลที่หายไปคือ null ความพยายามที่ไม่ถูกต้องหรือถูกยกเลิกถูกตัดออกจากการเลือกรางวัล ความถูกต้องเป็นคุณสมบัติของโรลเอาต์ ไม่ได้ทำให้รางวัลเป็น null โดยอัตโนมัติ

   สิ่งที่สนับสนุน

   การรัน Terminal-Bench fast-3 ด้วย Harbor 0.8.0 (สามงาน 3/3) และการวินิจฉัย Tau2 สามโดเมน (1/3 มีศูนย์ที่ถูกต้องสองค่า) ถูกผูกไว้ในโครงสร้างเดียวกัน ทั้งหมดนี้เป็นแคนดิเดตสำหรับ post-training ไม่ใช่ชุดข้อมูลที่ใช้ฝึกหรือหลักฐานว่าน้ำหนักดีขึ้น และผลของสามงานไม่ใช่ความแม่นยำของทั้งชุด

   • DATA-MODEL.md
   • Harbor fast-3

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

   trial หนึ่งครั้งสร้างผลลัพธ์และบันทึกการเล่นซ้ำแยกกัน

   คำถามการรันงานจริงกลายเป็นผลลัพธ์และการเล่นซ้ำที่ตรวจสอบได้อย่างไร?

   Harbor 0.22.0 trial · การรันจริง

   งานที่ตรึงไว้ · specตรึงไว้ล่วงหน้า · ทำซ้ำห้าครั้ง

   trial ที่แยกออกมาGEODE เป็น actor

   การกระทำและสถานะสุดท้ายพฤติกรรมที่สังเกตได้

   verifier ที่งานเป็นเจ้าของ

   รางวัล native · receipt

   ATIF · การฉายอีเวนต์สาธารณะประมวลผลภายหลัง · ไม่ใช่การรันใหม่

   การวิเคราะห์ความพยายามที่เลือกกฎการเลือกที่ตรึงไว้

   1. งานที่ตรึงไว้ · specตรึงไว้ล่วงหน้า · ทำซ้ำห้าครั้ง
      • →ไปยัง trial ที่แยกออกมาคำสั่ง · สภาพแวดล้อม · ขีดจำกัด
   2. Harbor 0.22.0 trial · การรันจริงtrial ที่แยกออกมาGEODE เป็น actor
      • →ไปยัง การกระทำและสถานะสุดท้ายรัน
   3. การกระทำและสถานะสุดท้ายพฤติกรรมที่สังเกตได้
      • →ไปยัง verifier ที่งานเป็นเจ้าของตรวจสถานะงาน
      • →ไปยัง ATIF · การฉายอีเวนต์สาธารณะฉายอีเวนต์ที่บันทึก
   4. verifier ที่งานเป็นเจ้าของ
      • →ไปยัง รางวัล native · receiptรางวัล
   5. รางวัล native · receipt
      • →ไปยัง การวิเคราะห์ความพยายามที่เลือกการเลือกที่ตรึงไว้
   6. ATIF · การฉายอีเวนต์สาธารณะประมวลผลภายหลัง · ไม่ใช่การรันใหม่
   7. การวิเคราะห์ความพยายามที่เลือกกฎการเลือกที่ตรึงไว้

   สิ่งที่เปลี่ยน

   spec ที่ตรึงไว้ ทุกความพยายาม ผลลัพธ์ที่เลือก verifier ที่งานเป็นเจ้าของ และการเล่นซ้ำที่ซื่อตรงแต่มีขอบเขตจำกัด ถูกเก็บเป็นบันทึกที่แยกกันแต่เชื่อมโยงกัน Harbor 0.22.0 รันซ้ำห้าครั้งด้วย GPT-5.6 Sol/max เปรียบเทียบ GEODE (ขณะนั้นเป็น adapter เครื่องมือเทอร์มินัลเดียว) กับ Codex

   สิ่งที่สนับสนุน

   งานเป็นเจ้าของคำสั่ง สภาพแวดล้อม และเทสต์ trial คือความพยายามหนึ่งครั้ง job คือกลุ่มของ trial verifier ที่งานเป็นเจ้าของตัดสินรางวัล ส่วนผู้ตัดสินความเสร็จภายในของ GEODE เป็นข้อมูลป้อนกลับระหว่างรัน การเล่นซ้ำสาธารณะเป็นการฉายภายหลังของอีเวนต์เครื่องมือที่บันทึกไว้ ไม่ใช่ PTY ดิบหรือการรันใหม่ และไม่มีการแต่งคำสั่งเติมลงในช่องที่ขาด ตัวชี้วัดหลักที่ลงทะเบียนล่วงหน้าวัดไม่ได้

   • สัญญาการเล่นซ้ำ
   • การเล่นซ้ำสาธารณะ

6. September 24, 2026 to September 28, 2026Jev · การมอบหมายการตัดสินใจ

   แคนดิเดตที่ถูกต้องยังต้องการการตรวจยืนยันการส่งมอบ

   คำถามการตัดสินที่ถูกมอบหมายรักษาคุณภาพงานและการส่งมอบสุดท้ายได้จริงหรือไม่?

   U8n · การรัน Noul · Harbor 0.22 · Astra รันและซ่อม เปลี่ยนเฉพาะเส้นทางการตัดสิน

   การวินิจฉัยภายหลัง · หลังการรัน

   สถานะการตัดสินใจสัญญาของงาน · แคนดิเดต · การสังเกตจากเครื่องมือ

   การตัดสิน · NoulAstra หรือ Jev

   GEODE ใช้ผลครบเงื่อนไข: ส่งมอบ หลักฐานไม่พอ: ระงับ

   การส่งมอบสุดท้าย

   Astra ซ่อมแคนดิเดตถัดไปหลังได้ข้อมูลป้อนกลับ

   การตรวจผลลัพธ์อิสระrule oracle · ผลลัพธ์ที่ส่งมอบ

   แผงตายตัว U3การตัดสินเท่านั้น · ไม่มี actor เครื่องมือ หรือ Harbor

   แคนดิเดตสุดท้าย · เก็บไว้

   การวินิจฉัยด้วย oracle ภายหลังความถูกต้องของแคนดิเดต · ไม่มีผลต่อการส่งมอบ

   1. U8n · การรัน Noul · Harbor 0.22 · Astra รันและซ่อม เปลี่ยนเฉพาะเส้นทางการตัดสินสถานะการตัดสินใจสัญญาของงาน · แคนดิเดต · การสังเกตจากเครื่องมือ
      • →ไปยัง การตัดสิน · Noulอินพุตการตัดสิน
   2. การตัดสิน · NoulAstra หรือ Jev
      • →ไปยัง GEODE ใช้ผลความน่าจะเป็นของเงื่อนไข
   3. GEODE ใช้ผลครบเงื่อนไข: ส่งมอบ หลักฐานไม่พอ: ระงับ
      • →ไปยัง การส่งมอบสุดท้ายครบเงื่อนไข
      • →ไปยัง Astra ซ่อมหลักฐานไม่พอ · ระงับ
   4. การส่งมอบสุดท้าย
      • →ไปยัง การตรวจผลลัพธ์อิสระผลลัพธ์ที่ส่งมอบ
   5. Astra ซ่อมแคนดิเดตถัดไปหลังได้ข้อมูลป้อนกลับ
      • →ไปยัง การตัดสิน · Noulตัดสินอีกครั้ง
      • →ไปยัง แคนดิเดตสุดท้าย · เก็บไว้เก็บแคนดิเดตสุดท้ายไว้
   6. การตรวจผลลัพธ์อิสระrule oracle · ผลลัพธ์ที่ส่งมอบ
   7. แผงตายตัว U3การตัดสินเท่านั้น · ไม่มี actor เครื่องมือ หรือ Harbor
   8. การวินิจฉัยภายหลัง · หลังการรันแคนดิเดตสุดท้าย · เก็บไว้
      • →ไปยัง การวินิจฉัยด้วย oracle ภายหลังตรวจภายหลัง
   9. การวินิจฉัยด้วย oracle ภายหลังความถูกต้องของแคนดิเดต · ไม่มีผลต่อการส่งมอบ

   สิ่งที่เปลี่ยน

   การยอมรับผลตัดสิน ความถูกต้องของแคนดิเดต และการส่งมอบสุดท้าย ถูกบันทึกเป็นผลลัพธ์ที่แยกกัน และสายการเตรียม ความล้มเหลว และการซ่อมถูกเก็บไว้ในฉบับสาธารณะ แฮชของต้นฉบับและฉบับสาธารณะที่แปลงแล้วแยกจากกัน

   สิ่งที่สนับสนุน

   ใน 11 คู่ที่วิเคราะห์ภายหลังจากการศึกษา U8n ที่หยุดกลางคัน แคนดิเดตสุดท้ายถูกต้องในทั้งสอง arm แต่การส่งมอบคือ Astra 11/11 และ Jev Noul 0/11 การตัดสินว่าหลักฐานไม่เพียงพอของ Jev Noul ระงับการส่งมอบไว้ นี่เป็นการวิเคราะห์ภายหลังและไม่ได้นำไปสรุปทั่วไป การคำนวณตัวเลขสาธารณะใหม่ การตรวจการเล่นซ้ำ และการรันจริงครั้งใหม่ เป็นการดำเนินการสามอย่างที่ต่างกัน

   • E2E-DATA.md
   • การคำนวณใหม่แบบไม่ใช้โมเดล