Para peneliti menyajikan Argus, sebuah runtime agentic yang persisten dan berevolusi secara mandiri, dirancang untuk penalaran jangka panjang yang memisahkan niat pengguna yang stabil dari tujuan operasional. Sistem ini memanfaatkan peran Manajer, Perencana, Insinyur, dan Peninjau untuk menjalankan misi terbatas di atas keadaan proyek yang tahan lama, memungkinkan eksekusi otonom antara titik eskalasi yang dimiliki operator.
- Di tujuh arena benchmark GPT-5.5, Argus mencapai sekitar 78% pada SWE-Bench Pro dibandingkan dengan 59% untuk Direct Copilot, menggunakan 1,41 kali jumlah token agregat.
- Setelah evolusi mandiri yang dikunci verifikasi, gelombang SWE-Bench yang matang menggunakan 21% lebih sedikit token input penyelesaian dan 15% lebih sedikit waktu alur kerja aktif per tugas dibandingkan dengan gelombang awal.
- Sistem mencatat 34 pemulihan verifier dan 22 penyelamatan loop peninjau ketat, mencapai 76,8% pada AARRI-Bench dan kesenjangan 28,0 poin pada sintesis data matematis.
- Di luar benchmark, kernel RWKV6 yang dioptimalkan telah digabungkan ke hulu, dan enam pipa makalah menyelesaikan 254 misi dengan 16 rollback tahap.
Hasil-hasil ini menunjukkan bahwa harness berbobot tetap dan berevolusi secara mandiri dapat merevisi, memulihkan, dan mengakumulasi pendekatan terverifikasi sambil menghasilkan lintasan terstruktur untuk pembelajaran terawasi dan penguatan di masa depan.