Ouroboros adalah wadah agen yang berkembang sendiri di mana alat, prompt, dan implementasi inti meningkat melalui commit yang ditinjau yang menjadi runtime untuk pekerjaan berikutnya. Ia beroperasi melalui evolusi bebas rekursif atau evolusi inti yang didorong oleh pengalaman, yang dipicu oleh bug dan ketidakefisienan yang ditemukan selama penggunaan.

  • Pada Terminal-Bench 2.1, jalankan Opus 5 mencetak skor 86,74%, hasil terbaik yang dilaporkan pada benchmark tersebut.
  • Pada OSWorld-Verified, jalankan Opus 5 mencapai 90,69%, melampaui skor sebelumnya yang tertinggi.
  • Kampanye CL-Bench dengan lima rollout mencapai reward ternormalisasi sebesar 0,2301, menetapkan state of the art baru.

Sistem ini menangani keamanan operasional dengan memastikan bahwa guardrail tetap berwenang di bawah tekanan evolusioner, sementara kampanye benchmark menggunakan snapshot beku sementara evolusi langsung berlanjut pada garis keturunan terpisah.