VI
Geodi, nhân vật pixel chính thức của GEODE
Trở lại phòng trưng bày

GEODE

Autonomous Agent Harness

Từ quan sát đến hành động tiếp theo.

Một harness tác nhân tự hành chạy cục bộ, có thể nhận việc nghiên cứu, thao tác tệp và tác vụ theo lịch.

2026.02.21 — present

Thiết kế, phán đoán, kiểm chứng: Author · hiện thực: Claude · rà soát: Codex

  • CLIĐã phát hành · PyPI
  • Máy chủ MCPĐã hiện thực

Từ rollout đến bằng chứng

Chỉ tỷ lệ vượt qua thì không thể giải thích một lượt thực thi. Tôi lưu giữ thứ tự sự kiện, lệnh gọi công cụ và kết quả, phả hệ thử lại, và bằng chứng từ verifier độc lập, rồi kết nối những phần có thể công bố. Các thử nghiệm này cho thấy hợp đồng ghi nhận và đánh giá đã phát triển ra sao.

Theo thử nghiệm · theo thứ tự ngày

Sáu thử nghiệm được sắp theo thứ tự ngày; chúng không phải một quá trình tối ưu hóa nối liền. SIL không tự động dẫn vào Crucible hay Jev, và đây không phải tuyên bố rằng GEODE trong sản phẩm liên tục tốt lên. Ngày là ngày thử nghiệm và ngày snapshot công bố, và mũi tên chỉ dùng cho các giai đoạn bên trong một thử nghiệm.

  1. June 3, 2026 to June 4, 2026SIL · tìm kiếm chính sách bên ngoài

    Một KEEP từ một đợt kiểm định được kiểm tra lại bằng phép đo lặp lại

    Câu hỏiMột thay đổi chính sách có cải thiện hành vi dùng công cụ vượt quá nhiễu kiểm định không?

    Thử nghiệm bên ngoài · ngoài runtime GEODE

    1. Baseline · K=5
    2. Một thay đổi chính sách
    3. Kiểm định Petri
    4. Đo lặp lại
      • Giữ
      • Hoàn lại
    Điều đã thay đổi
    Trong thử nghiệm này, phép đo lặp lại được thêm vào đợt kiểm định đơn lẻ của một thay đổi trước khi quyết định giữ hay hoàn lại. Các seed cân bằng độ khó và một baseline K=5 được thêm vào, và các arm never, random và gate tách dao động khi không có thay đổi khỏi những thay đổi được chấp nhận.
    Điều nó chứng minh
    Khi đo lại, ứng viên được giữ sau một đợt kiểm định tệ hơn baseline (càng thấp càng tốt), nên việc áp dụng nó bị hoàn lại. Thử nghiệm kết luận không có cải thiện vững chắc. Đây là một đợt kiểm định hành vi Petri broken_tool_use, không phải phần thưởng hoàn thành tác vụ.

  2. July 11, 2026 to July 13, 2026Crucible · nhân thử nghiệm bên ngoài

    Ở lại trong tìm kiếm và đi vào sản phẩm là hai phán định riêng

    Câu hỏiBằng chứng để giữ một ứng viên trong tìm kiếm có giống bằng chứng để thăng hạng và phát hành nó vào sản phẩm không?

    Nhân Crucible bên ngoài · checkout đo riêng

    1. Ứng viên · phả hệ cha
    2. Kiểm tra hợp đồng đóng băng
    3. Đo ghép cặp
      • KEEPchỉ đến một phán định sealed riêng
      • REJECT
      • INVALIDnull, không phải 0%
    Điều đã thay đổi
    Các ứng viên bị từ chối và vô hiệu được giữ cùng phả hệ cha, và lựa chọn train, tư cách sealed và thẩm quyền phát hành sản phẩm là những bản ghi riêng biệt.
    Điều nó chứng minh
    r14 được KEEP trong train (sáu đơn vị tác vụ, mỗi đơn vị một lần thử, không có thẩm quyền thăng hạng), nhưng phán định sealed riêng của nó là REJECT (không có thẩm quyền thăng hạng hay phát hành vào sản phẩm). r35 là INVALID do độ bao phủ chưa đủ và hạ tầng bị nhiễm; không có hàng ghép cặp nên trung bình vẫn là null. Đây không phải runtime tự sửa đổi, cũng không phải chuỗi triển khai SIL → Crucible.

  3. July 21, 2026 · July 31, 2026Tinh lọc · công bố

    Các bản ghi còn lại được phân loại, và chỉ những gì có thể chia sẻ mới trở thành một bản phát hành bất biến

    Câu hỏiĐiều gì thực sự có thể tái dựng, và điều gì có thể chia sẻ an toàn?

    1. Nguồn riêng tưBản ghi phiên · bằng chứng gốckết quả native · gồm verifier
      • Sự kiện đã chuẩn hóagiữ thứ tự · định danh
    2. Sự kiện đã chuẩn hóađịnh danh · thứ tự · cặp lệnh gọi-kết quả
      • Ứng viên công khaiallowlist · che · digest
    3. Ứng viên công khaiđang rà soát
      • Kiểm tra toàn vẹn · quyền riêng tưkiểm tra
    4. Kiểm tra toàn vẹn · quyền riêng tưghép cặp · phả hệ · phạm vi
      • Bản phát hành bất biếnchỉ byte đã rà soát
    5. Kho mã công khaiBản phát hành bất biếnmanifest · kết quả native tham chiếu bằng digest
      • Đọc lại từ remotexác minh hash
    6. Đọc lại từ remoteSHA-256 cố định
    Điều đã thay đổi
    Bản kiểm kê July 21, 2026 phân loại các bản ghi hội thoại, công cụ, tìm kiếm và quyết định theo nguồn, và các bản trùng từ cùng một nguồn không được tính là ví dụ độc lập. Từ July 31, 2026, geode.trajectory@1 và geode.trajectory-release@1 nêu rõ định danh, thứ tự sự kiện, cặp lệnh gọi-kết quả, tính toàn vẹn của phạm vi và phát lại, và manifest gắn với nội dung. Bản công khai đã chuyển đổi và bản gốc giữ digest riêng.
    Điều nó chứng minh
    Tinh lọc ở đây nghĩa là chuẩn hóa, liên kết tương quan, che dữ liệu tường minh, phả hệ và chấp thuận công bố. Nó không tái dựng suy luận ẩn hay tuyên bố một bộ dữ liệu sẵn sàng để huấn luyện. Phạm vi đầy đủ không phải là phát lại byte đầy đủ khi nội dung riêng tư được thay bằng digest.

  4. August 25, 2026Learning view

    Một rollout và bằng chứng của nó được gắn với nhau bằng định danh

    Câu hỏiĐầu vào, lần thử, chuỗi sự kiện và phần thưởng nào thuộc về nhau?

    geode.eval-learning-view@2 · nối bằng ID và digest đã xác minh, không phải thứ tự nhân quả

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

    Receipt của verifier native sở hữu phần thưởng. Các lần thử lại do hạ tầng là các lần thử bên trong một rollout.

    Điều đã thay đổi
    Các trajectory bất biến được dùng lại qua các phép join có phạm vi, và phần thưởng vẫn là nhãn dẫn xuất do evaluator sở hữu. Thử lại do hạ tầng không tăng số rollout. Giá trị 0 quan sát được được giữ nguyên và phần thưởng bị thiếu là null; các lần thử không hợp lệ hoặc bị hủy bị loại khỏi việc chọn phần thưởng. Tính hợp lệ là thuộc tính của rollout, không tự động là phần thưởng null.
    Điều nó chứng minh
    Lượt chạy Terminal-Bench fast-3 với Harbor 0.8.0 (ba tác vụ, 3/3) và một chẩn đoán Tau2 ba miền (1/3, hai giá trị 0 hợp lệ) được gắn trong cùng cấu trúc. Đây là các ứng viên cho post-training, không phải bộ dữ liệu đã dùng để huấn luyện hay bằng chứng trọng số được cải thiện, và kết quả của ba tác vụ không phải độ chính xác của cả bộ.

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

    Một trial tạo ra kết quả và bản ghi phát lại một cách riêng biệt

    Câu hỏiMột lượt thực thi tác vụ thật trở thành kết quả và một bản phát lại có thể kiểm tra như thế nào?

    1. Tác vụ đóng băng · speccố định trước · năm lần lặp
      • Trial cô lậpchỉ dẫn · môi trường · giới hạn
    2. Trial Harbor 0.22.0 · thực thi thậtTrial cô lậpGEODE làm actor
      • Hành động và trạng thái cuốithực thi
    3. Hành động và trạng thái cuốihành vi quan sát được
      • Verifier do tác vụ sở hữukiểm tra trạng thái tác vụ
      • ATIF · chiếu sự kiện công khaichiếu sự kiện đã ghi
    4. Verifier do tác vụ sở hữu
      • Phần thưởng native · receiptphần thưởng
    5. Phần thưởng native · receipt
      • Phân tích lần thử được chọnlựa chọn đóng băng
    6. ATIF · chiếu sự kiện công khaihậu xử lý · không phải lượt chạy mới
    7. Phân tích lần thử được chọnquy tắc chọn đóng băng
    Điều đã thay đổi
    Spec đóng băng, mọi lần thử, kết quả được chọn, verifier do tác vụ sở hữu và một bản phát lại trung thực nhưng có giới hạn được giữ thành các bản ghi riêng biệt có liên kết. Harbor 0.22.0 chạy năm lần lặp với GPT-5.6 Sol/max, so sánh GEODE (khi đó là một adapter một công cụ terminal) với Codex.
    Điều nó chứng minh
    Một tác vụ sở hữu chỉ dẫn, môi trường và bài kiểm thử; một trial là một lần thử; một job gom các trial. Verifier do tác vụ sở hữu quyết định phần thưởng, còn bộ phán định hoàn tất nội bộ của GEODE là phản hồi trong runtime. Bản phát lại công khai là phép chiếu hậu kiểm của các sự kiện công cụ đã ghi, không phải PTY thô hay một lượt chạy mới, và không có lệnh nào được bịa ra cho các ô bị thiếu. Chỉ số chính đã đăng ký trước không thể đo được.

  6. September 24, 2026 to September 28, 2026Jev · giao phó quyết định

    Một ứng viên đúng vẫn cần kiểm chứng việc bàn giao

    Câu hỏiMột phán đoán được ủy quyền có thực sự giữ được chất lượng tác vụ và việc bàn giao cuối cùng không?

    1. U8n · lượt chạy Noul · Harbor 0.22 · Astra thực thi và sửa, chỉ đường phán định thay đổiTrạng thái quyết địnhhợp đồng tác vụ · ứng viên · quan sát công cụ
      • Phán định · Noulđầu vào phán định
    2. Phán định · NoulAstra hoặc Jev
      • GEODE tiêu thụxác suất theo điều kiện
    3. GEODE tiêu thụđạt điều kiện: bàn giao; thiếu bằng chứng: giữ lại
      • Bàn giao cuối cùngđạt điều kiện
      • Astra sửathiếu bằng chứng · giữ lại
    4. Bàn giao cuối cùng
      • Kiểm tra kết quả độc lậpkết quả đã bàn giao
    5. Astra sửaứng viên tiếp theo sau phản hồi
      • Phán định · Noulphán định lại
      • Ứng viên cuối · được lưu giữgiữ ứng viên cuối
    6. Kiểm tra kết quả độc lậprule oracle · kết quả đã bàn giao
    7. Bảng cố định U3chỉ phán định · không actor, công cụ hay Harbor
    8. Chẩn đoán hậu kiểm · sau lượt chạyỨng viên cuối · được lưu giữ
      • Chẩn đoán oracle hậu kiểmkiểm tra hậu kiểm
    9. Chẩn đoán oracle hậu kiểmtính đúng của ứng viên · không ảnh hưởng bàn giao
    Điều đã thay đổi
    Việc chấp nhận phán định, tính đúng của ứng viên và việc bàn giao cuối cùng được ghi như những kết quả riêng biệt, và phả hệ chuẩn bị, lỗi và sửa chữa được giữ trong bản công khai. Hash của bản gốc và bản công khai đã chuyển đổi được tách riêng.
    Điều nó chứng minh
    Trong 11 cặp hậu kiểm từ nghiên cứu U8n bị gián đoạn, ứng viên cuối đều đúng ở cả hai arm, nhưng bàn giao là Astra 11/11 và Jev Noul 0/11: phán định thiếu bằng chứng của Jev Noul đã giữ việc bàn giao lại. Đây là phân tích hậu kiểm và không được khái quát hóa. Tính lại số liệu công khai, kiểm tra bản phát lại và chạy thật mới là ba thao tác khác nhau.