UK
Geodi, офіційний піксельний персонаж GEODE
Назад до зали

GEODE

Autonomous Agent Harness

Від спостереження до наступної дії.

Локальна обв’язка автономного агента, якій можна доручити дослідження, роботу з файлами та заплановані завдання.

2026.02.21 — present

Проєктування, рішення, верифікація: Author · реалізація: Claude · рев’ю: Codex

  • CLIОпубліковано · PyPI
  • MCP-серверРеалізовано

Від прогонів до доказів

Сама лише частка проходжень не пояснює виконання. Я зберігаю порядок подій, виклики інструментів і їхні результати, родовід повторних спроб і докази незалежного верифікатора, а потім пов’язую частини, які можна опублікувати. Ці експерименти показують, як розвивалися контракти запису й оцінювання.

За експериментами · у порядку дат

Шість експериментів розміщено в порядку дат; це не один пов’язаний процес оптимізації. SIL не передає дані в Crucible чи Jev автоматично, і це не твердження, що робочий GEODE постійно покращувався. Дати — це дати експериментів і знімків публікації, а стрілки використано лише для етапів усередині одного експерименту.

  1. June 3, 2026 to June 4, 2026SIL · зовнішній пошук політик

    KEEP за одним аудитом перевірили повторним вимірюванням

    ПитанняЧи покращила мутація політики поведінку з інструментами понад шум аудиту?

    Зовнішній експеримент · поза середовищем виконання GEODE

    1. Базова лінія · K=5
    2. Одна мутація політики
    3. Аудит Petri
    4. Повторне вимірювання
      • Зберегти
      • Відкотити
    Що змінилося
    У цьому експерименті до одиничного аудиту мутації додали повторне вимірювання, перш ніж вирішувати, зберегти її чи відкотити. Додано сіди з вирівняною складністю й базову лінію K=5, а гілки never, random і gate відокремлюють дрейф без жодних змін від прийнятих змін.
    Що це підтверджує
    Після повторного вимірювання кандидат, збережений за одним аудитом, виявився гіршим за базову лінію (менше — краще), тож його прийняття скасовано. Висновок експерименту — стійкого покращення немає. Це поведінковий аудит Petri broken_tool_use, а не винагорода за виконання завдання.

  2. July 11, 2026 to July 13, 2026Crucible · зовнішнє експериментальне ядро

    Залишитися в пошуку й потрапити в продукт — окремі вердикти

    ПитанняЧи ті самі докази потрібні, щоб залишити кандидата в пошуку, і щоб просунути та випустити його в продукт?

    Зовнішнє ядро Crucible · окремий вимірювальний checkout

    1. Кандидат · батьківський родовід
    2. Перевірка замороженого контракту
    3. Парне вимірювання
      • KEEPлише до окремого запечатаного вердикту
      • REJECT
      • INVALIDnull, а не 0%
    Що змінилося
    Відхилені й недійсні кандидати зберігаються разом із батьківським родоводом, а відбір на train, запечатана допустимість і повноваження на реліз продукту — окремі записи.
    Що це підтверджує
    r14 отримав KEEP на train (шість одиниць завдань, по одній спробі, без повноважень на просування), але його окремий запечатаний вердикт — REJECT (без повноважень на просування в продукт чи реліз). r35 — INVALID через неповне покриття й інфраструктурне забруднення; без парних рядків його середнє лишається null. Це ні самомодифікація середовища виконання, ні ланцюжок розгортання SIL → Crucible.

  3. July 21, 2026 · July 31, 2026Очищення · публікація

    Наявні записи класифіковано, і лише те, чим можна поділитися, стало незмінним релізом

    ПитанняЩо справді можна реконструювати, а чим можна безпечно поділитися?

    1. Приватне джерелоЗапис сесії · первинні доказинативний результат · з верифікатором
      • Нормалізовані подіїзберегти порядок · ідентичність
    2. Нормалізовані подіїідентичність · порядок · пари виклик–результат
      • Публічний кандидатсписок дозволених · вилучення · дайджест
    3. Публічний кандидатна перевірці
      • Перевірки цілісності · приватностіперевірити
    4. Перевірки цілісності · приватностіпари · родовід · обсяг
      • Незмінний релізлише перевірені байти
    5. Публічний репозиторійНезмінний релізманіфест · нативні результати за дайджестом
      • Віддалене зчитуваннязвірити хеш
    6. Віддалене зчитуваннязафіксований SHA-256
    Що змінилося
    Інвентаризація July 21, 2026 класифікувала записи діалогів, інструментів, пошуку й рішень за джерелом, а дублікати одного джерела не рахувалися як незалежні приклади. Від July 31, 2026 geode.trajectory@1 і geode.trajectory-release@1 явно задають ідентичність, порядок подій, пари виклик–результат, обсяг і цілісність відтворення, а також прив’язані до вмісту маніфести. Перетворені публічні копії й оригінали мають окремі дайджести.
    Що це підтверджує
    Очищення тут означає нормалізацію, кореляцію, явне вилучення чутливих даних, родовід і допуск до публікації. Воно не реконструює прихованих міркувань і не оголошує набір даних готовим для навчання. Повний обсяг — це не повне побайтове відтворення, коли приватні тексти замінено дайджестами.

  4. August 25, 2026Learning view

    Один прогін і його докази пов’язано ідентифікаторами

    ПитанняЯкі вхід, спроба, послідовність подій і винагорода належать одне одному?

    geode.eval-learning-view@2 · поєднано за ID і перевіреними дайджестами, а не за причинним порядком

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

    Винагорода належить нативним receipt верифікатора. Інфраструктурні повтори — це спроби всередині одного прогону.

    Що змінилося
    Незмінні траєкторії повторно використовуються через обмежені за обсягом об’єднання, а винагороди лишаються похідними мітками, що належать оцінювачу. Інфраструктурні повтори не додають прогонів. Спостережений 0 зберігається, а відсутня винагорода — null; недійсні чи перервані спроби виключаються з відбору винагород. Валідність — властивість прогону, а не автоматично null-винагорода.
    Що це підтверджує
    Запуск Terminal-Bench fast-3 на Harbor 0.8.0 (три завдання, 3/3) і діагностика Tau2 у трьох доменах (1/3, два валідні нулі) пов’язані в одній структурі. Це кандидати для пост-тренування, а не набори даних, використані для навчання, чи докази покращених ваг, і результат на трьох завданнях — не точність на всьому наборі.

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

    Один trial дав результат і запис replay окремо

    ПитанняЯк реальне виконання завдання стає результатом і replay, який можна перевірити?

    1. Заморожене завдання · специфікаціязафіксовано заздалегідь · п’ять повторень
      • Ізольований trialінструкція · середовище · ліміти
    2. Trial Harbor 0.22.0 · реальне виконанняІзольований trialGEODE як actor
      • Дії й кінцевий станвиконати
    3. Дії й кінцевий станспостережена поведінка
      • Верифікатор завданняперевірити стан завдання
      • ATIF · проєкція публічних подійпроєктувати записані події
    4. Верифікатор завдання
      • Нативна винагорода · receiptвинагорода
    5. Нативна винагорода · receipt
      • Аналіз обраної спробизаморожений відбір
    6. ATIF · проєкція публічних подійпостобробка · не новий запуск
    7. Аналіз обраної спробизаморожене правило відбору
    Що змінилося
    Заморожена специфікація, кожна спроба, обраний результат, верифікатор завдання й точний, але обмежений replay зберігаються як окремі пов’язані записи. Harbor 0.22.0 виконав п’ять повторень із GPT-5.6 Sol/max, порівнюючи GEODE (тоді — адаптер з одним інструментом термінала) з Codex.
    Що це підтверджує
    Завдання містить інструкції, середовище й тести; trial — одна спроба; job групує trials. Винагороду визначає верифікатор завдання, а внутрішній суддя завершення GEODE — це зворотний зв’язок під час виконання. Публічний replay — постфактум-проєкція записаних подій інструментів, а не сирий PTY чи новий запуск, і для відсутніх клітинок жодних команд не вигадано. Попередньо зареєстровану основну метрику виміряти не вдалося.

  6. September 24, 2026 to September 28, 2026Jev · делегування рішень

    Правильний кандидат усе одно потребує перевірки передачі

    ПитанняЧи справді делеговане рішення зберігає якість завдання й фінальну передачу?

    1. U8n · запуск Noul · Harbor 0.22 · Astra виконує й виправляє, змінюється лише маршрут рішенняСтан рішенняконтракт завдання · кандидат · спостереження інструментів
      • Рішення · Noulвхід рішення
    2. Рішення · NoulAstra або Jev
      • GEODE споживаєімовірності умов
    3. GEODE споживаєsupported: передати; брак доказів: притримати
      • Фінальна передачаsupported
      • Виправлення Astraбрак доказів · притримати
    4. Фінальна передача
      • Незалежна перевірка результатупереданий результат
    5. Виправлення Astraнаступний кандидат після зворотного зв’язку
      • Рішення · Noulвирішити знову
      • Останній кандидат · збереженоостаннього кандидата збережено
    6. Незалежна перевірка результатуоракул правил · переданий результат
    7. Фіксовані панелі U3лише рішення · без actor, інструментів чи Harbor
    8. Постфактум-діагностика · після запускуОстанній кандидат · збережено
      • Постфактум-діагностика оракуломпостфактум-перевірка
    9. Постфактум-діагностика оракуломправильність кандидата · не впливає на передачу
    Що змінилося
    Прийняття рішення, правильність кандидата й фінальна передача записуються як окремі результати, а родоводи підготовки, збоїв і виправлень зберігаються в публічній копії. Оригінальні й перетворені публічні хеші тримаються окремо.
    Що це підтверджує
    У 11 постфактум-парах із перерваного дослідження U8n останній кандидат був правильним в обох гілках, але передача становила Astra 11/11 і Jev Noul 0/11: рішення Jev Noul про брак доказів стримало передачу. Це постфактум-аналіз, і його не узагальнюють. Публічний числовий перерахунок, перегляд replay і новий живий запуск — три різні операції.