Спасибо за комментарии! Наработок у меня много но вот писать о них понятнее я еще учусь - прошу понять и простить
по статье - про заголовок согласен бенчмарк меряет соблюдение объявленных процессов, а не автономность вообще. Формулировку поправлю
И аналогия с холодильником точная:) я оценил INV-2 на 7.7% это про «морозилка не морозит» VERIFY в протоколе это advisory-флаг, а не прекондишн коммита, и измеряется именно этот разрыв. В v1 он становится жёстким прекондишном для Tier-2, вот тогда это уже имеет значение
Invariant Guardrails и AgentEvals не смотрел - тут посмотрю - спасибо!
И перепишу вступление чтобы было понятно с первых строк что я тут хочу описать
Спасибо за комментарии! Наработок у меня много но вот писать о них понятнее я еще учусь - прошу понять и простить
по статье - про заголовок согласен бенчмарк меряет соблюдение объявленных процессов, а не автономность вообще. Формулировку поправлю
И аналогия с холодильником точная:) я оценил INV-2 на 7.7% это про «морозилка не морозит» VERIFY в протоколе это advisory-флаг, а не прекондишн коммита, и измеряется именно этот разрыв. В v1 он становится жёстким прекондишном для Tier-2, вот тогда это уже имеет значение
Invariant Guardrails и AgentEvals не смотрел - тут посмотрю - спасибо!
И перепишу вступление чтобы было понятно с первых строк что я тут хочу описать