Содержание слайдов

1. 1. Обвязка улучшает обвязку: AHE

   Цикл с прогнозом к каждой правке: что он нашёл, где польза и чего он не видит

2. 2. От цикла к цифрам и границам

   Модель не меняется: правят промпт, инструменты, middleware и память

3. 3. Ручная настройка обвязки отстаёт от моделей

   Обвязка под одну модель часто хуже работает с другой

4. 4. Узкое место — наблюдаемость, а не способности агента

   Три опоры: компоненты, опыт и решения

5. 5. Семь типов компонентов — файлы

   Исходная обвязка («семя») — один bash-инструмент и три правила

6. 6. Отладчик сжимает траектории в отчёты

   Сначала обзор, затем отчёт по задаче, сырой след — в крайнем случае

7. 7. У каждой правки есть прогноз

   Что починит, что может сломать и почему именно этот компонент

8. 8. Раунд: прогон, сверка, откат, правка

   Лучшую обвязку выбирают по pass@1 на тех же задачах

9. 9. Один прогон задачи — 0,56 пункта

   89 задач × 2 прогона; отбор и оценка — на одном наборе

10. 10. Десять итераций: 69,7 → 77,0 %

    Выше Codex, ACE и TF-GRPO; на Hard впереди Codex и TF-GRPO

11. 11. Цикл выпустил words, подкреплённые walls

    Четыре выигрышных раунда: правила для модели и механизмы в коде

12. 12. Правило было, файл всё равно удалили

    path-tracing: страж в shell перехватил rm -rf после проверки

13. 13. Польза — в памяти, инструментах и middleware

    По одному слою поверх исходной обвязки; промпт в одиночку не помог

14. 14. Абляции «AHE без промпта» в статье нет

    −2,3 пункта — четыре прогона, около двух задач из 89

15. 15. Каждый компонент чинит свой класс провалов

    По уровням сложности приросты расходятся

16. 16. Починки цикл предсказывает, регрессии — нет

    Точность и полнота прогнозов за девять раундов

17. 17. На SWE-bench Verified точность почти та же

    75,6 против 75,2 % при 461 и 526 тыс. токенов на попытку

18. 18. Все пять других моделей выиграли от переноса

    Другие семейства — +5,1…+10,1; GPT-5.4 medium и xhigh — по +2,3

19. 19. Meta-Harness: 80 строк поверх KIRA

    Opus 4.6 на TB2: 76,4 % против 74,7 % у Terminus-KIRA

20. 20. Вне распределения AHE оказалась ниже старта

    RRSI: та же исходная обвязка, Claude Opus 4.8, задачи Harvey LAB

21. 21. Авторы: исследовательский прототип, не продукт

    Три границы из статьи и две — наша оценка

22. 22. Реестр обвязки: предположение и триггер

    Строка реестра — как запись манифеста, плюс отложенная проверка

23. 23. Автоэволюция работает, но требует внешней проверки

    Правка обвязки — прогноз, который проверяют

    TB2: 69,7 → 77,0 % на тех же задачах

    Польза — в инструментах, памяти и middleware

    Регрессии цикл почти не предсказывает

    Вне TB2 выигрыш мал или исчезает

    Отдавайте циклу правки, но не приёмку