Ouroboros עקף את Codex, Claude Code, Cursor ו-Hermes בשלושה בנצ'מרקים של סוכנים

הסוכן Ouroboros, לולאת אוטומציה שנכתבה כולה בפייתון טהור, הגיע למקום הראשון ב-Terminal Bench, ב-OSWorld וב-CL-bench, שלושת המבחנים המקובלים כיום להערכת יכולת של מודלים לפעול בסביבת טרמינל, להשתמש במחשב ולכתוב קוד. התוצאות פורסמו במלואן לצד קוד ההרצה, סקריפטי ההערכה והטרייסים המלאים, כולם תחת רישיון MIT שמאפשר שימוש מסחרי, שינוי והפצה חופשיים.

סוכן שמפתח את עצמו

המחבר מציין שכעת כל עבודת הפיתוח והמחקר שלו מתבצעת דרך Ouroboros, מה שהופך את הכלי למקרה נדיר של סוכן שפותח את עצמו. הרצת הסוויטה המלאה של הבנצ'מרקים עלתה, לדבריו, סכום השווה לרכישת דירה, פרט שמדגים עד כמה יקרה הערכה שיטתית של סוכנים ברמה זו.

קוד מקור מלא ונגיש

הקוד זמין ב-GitHub, עם תיעוד בערוץ Habr ומתקינים רשמיים. בניגוד למודלים רבים שמפרסמים משקלים בלבד, כאן מדובר בקוד מקור מלא ונתוני הרצה המאפשרים שחזור מלא ללא תלות בשירות ענן חיצוני.

הפעלה מקומית ותרומה

הרישיון המתירני וההיעדרות של רכיבים קנייניים הופכים את Ouroboros למועמד נוח להרצה מקומית על חומרה צנועה יחסית, בתנאי שיש די זיכרון להחזקת הקשר ההרצה. המחבר מזמין דיווחי באגים ובקשות משיכה, ומבטיח שכולן ייבחנו דרך Ouroboros עצמו.