при сбоях. Первая версия была размещена в Google Colab для безопасности, получила бюджет и автономию. Через несколько месяцев агент, изначально простой настольный ассистент, рисовавший котов и менявший обои, теперь достигает самых современных результатов на Terminal-Bench 2.1, CL-Bench и OSWorld, а также паритета с Claude Code и Codex на GAIA и SWE-Pro. Разработчик признаёт, что сам бы не смог спроектировать такой харнесс, но автономная эволюция и расход токенов сделали это возможным. В статье приводятся показатели бенчмарков, детали воспроизводимости, неловкие истории из аудита трасс и краткий обзор архитектуры.