Itsenäinen agentti Ouroboros päihittää Codexin ja Claude Coden merkittävillä vertailutesteillä

Ouroboros-agentin kehittäjä kuvailee, miten he tavoittelivat universaalia Jarvis-tyylistä agenttia, mutta huomasivat sen olevan liian vaikeaa. Sen sijaan he antoivat agentille kyvyn suunnitella ja rakentaa itsensä autonomisessa evoluutiosilmukassa. Ouroboros on Python-pohjainen agentsilmukka, jolla on pääsy gitiin, oikeus kirjoittaa oma ajonaikainen koodinsa uusiksi, turvallinen uudelleenkäynnistys uusiin versioihin ja palautus, jos jokin hajoaa. Ensimmäinen versio sijoitettiin Google Colabiin turvallisuuden vuoksi, ja sille annettiin budjetti ja autonomia. Useiden kuukausien jälkeen agentti, joka alun perin oli yksinkertainen työpöytäagentti, joka piirsi kissoja ja vaihtoi taustakuvia, saavuttaa nyt huipputulokset Terminal-Bench 2.1-, CL-Bench- ja OSWorld-vertailuissa sekä vastaavuuden Claude Coden ja Codexin kanssa GAIA- ja SWE-Pro-vertailuissa. Kehittäjä myöntää, ettei hän olisi itse pystynyt suunnittelemaan tällaista kehystä, mutta autonominen evoluutio ja tokenien kulutus tekivät sen mahdolliseksi. Artikkeli sisältää vertailulukuja, toistettavuusyksityiskohtia, kiusallisia tarinoita jäljitystarkastuksista ja lyhyen katsauksen arkkitehtuuriin.