Agen lokal yang belajar dari kesalahannya sendiri; ia lulus ujian 53 tugas dengan skor 53/53.
Agen yang belajar dari kesalahannya sendiri. Ia berjalan pada model lokal di mesin studio ini, menggunakan internet dan berkas, dan mengaudit setiap proses dengan bukti. Tidak ada perubahan, baik ditulis manusia maupun agen, yang diterima tanpa lolos gerbang pengukuran.
Mengaudit setiap proses: setiap nilai dalam jawaban harus muncul dalam keluaran alat yang tidak ditulis sendiri oleh agen. Penghitungan dan penjumlahan atas berkas lokal harus dihitung oleh sebuah perintah.
Sebuah perubahan harus memperbaiki kesalahan yang diketahui atau memangkas token tanpa mengubah hasil apa pun. Set jangkar yang ditahan menangkap overfitting terhadap ujian.
Tugas data dan shell diarahkan ke Qwen 27B dense, tugas web dan kode ke Qwen 35B MoE. Kesalahan kedua model sepenuhnya tidak beririsan; skor ujian naik dari 40/47 menjadi 47/47 dan token turun 10%.