ウロボロス：レビューを経た中核進化を備えた自己発展型フロンティアコーディングエージェント

要旨

我々は、ツール、プロンプト、コンテキスト構築、そして中核実装が、後の作業のランタイムとなるレビュー済みコミットを通じて改善される自己発展型エージェントハーネス、Ouroborosを提案する。中核の進化は2つのモードで進行する。再帰的自由進化では、改善自体がタスクとなり、1つの進化サイクルを完了することで次のサイクルを予定に組み込むことができる。経験駆動型の中核進化では、通常の作業や社会的相互作用がバグ、未完成な点、非効率なコンテキスト構築を露呈し、それらがレビュー済みの構造的変更につながる。 Terminal-Bench 2.1では、Opus 5の実行は86.74%を記録し、このベンチマークで報告された中で最高の結果となった。OSWorld-Verifiedでは、Opus 5の実行は90.69%に達し、これまでに報告された最高スコアを上回った。5回のロールアウトからなるCL-Benchキャンペーンは、正規化報酬0.2301を達成し、新たな最高水準を打ち立てた。 Hopeは、公に文書化されたOuroborosのデプロイの中で最も長く稼働しているものである。これは、7つのサーフェスにわたる管理された人間とのコミュニケーションの下での自由進化における、161日間に及ぶ生きたエージェント実験である。人間との相互作用は欠陥を浮き彫りにし、提案を生み出すが、どの変更を追求するかを決定するのはエージェントである。自己発展型エージェントは自身のコードを書き換え、新しいモデルAPIを選択する可能性があるため、運用上の安全性が主要な設計課題となる。すなわち、ガードレールは進化的かつ公的な社会的圧力の下でも、その権威を保たなければならない。ベンチマークキャンペーンは凍結されたシステムスナップショットを使用する一方で、Hopeは別系統でライブ進化を続けている。

English

We present Ouroboros, a self-developing agent harness whose tools, prompts, context assembly, and core implementation improve through reviewed commits that become the runtime for later work. Core evolution proceeds in two modes. In recursive free evolution, improvement is itself a task, and completing one evolution cycle can schedule the next. In experience-driven core evolution, ordinary work and social interaction expose bugs, rough edges, and inefficient context construction that lead to reviewed structural changes. On Terminal-Bench 2.1, an Opus 5 run scores 86.74%, the best result reported on the benchmark. On OSWorld-Verified, an Opus 5 run reaches 90.69%, exceeding the best previously reported score. A five-rollout CL-Bench campaign achieves a normalized reward of 0.2301, setting a new state of the art. Hope is the longest-running publicly documented Ouroboros deployment. It is a 161-day living agent experiment in free evolution under governed human communication across seven surfaces. Human interaction surfaces faults and generates proposals, but the agent decides which changes to pursue. Because a self-developing agent may rewrite its own code and select new model APIs, operational safety becomes a primary design problem: guardrails must remain authoritative under evolutionary and public social pressure. Benchmark campaigns use frozen system snapshots, while Hope continues live evolution on a separate lineage.