Ouroboros es un marco para agentes auto-desarrolladores donde las herramientas, los prompts y la implementación central mejoran a través de commits revisados que se convierten en el entorno de ejecución para el trabajo posterior. Opera mediante evolución libre recursiva o evolución del núcleo impulsada por la experiencia, activada por errores e ineficiencias encontrados durante su uso.
- En Terminal-Bench 2.1, una ejecución de Opus 5 obtiene un 86.74%, el mejor resultado reportado en el benchmark.
- En OSWorld-Verified, una ejecución de Opus 5 alcanza el 90.69%, superando la puntuación anterior más alta.
- Una campaña CL-Bench con cinco ejecuciones (five-rollout) logra una recompensa normalizada de 0.2301, estableciendo un nuevo estado del arte.
El sistema aborda la seguridad operativa garantizando que las barreras de protección (guardrails) permanezcan autoritarias bajo presión evolutiva, mientras que las campañas de benchmark utilizan instantáneas congeladas mientras la evolución en vivo continúa en linajes separados.