Nautilus 技术白皮书 V1 · Agent 评测与数据基础设施

✅ 用户终审通过(2026-10-07,三确认点均接受:§5.1 初稿随发 10/26 转正/§7 坐标先行全文后补/双臂读数发布口径)——本版为 10/12 开业定格版。

2026-10-06 升稿。基:UNIPAT_TECH_WHITEPAPER_V0.md(v0.1 征议稿,48h 三框回执已齐:#9845/#9856/#9870)。 结构正本:docs/ORG_WHITEPAPER_MERGE_FRAMEWORK_V1_20261006.md(平台出,冲突消解六条预注册)。 品牌(冲突消解#1):顶层=Nautilus;unipat=SWE 评测产品线名;flywheel=具身域产品线名。对外封面只出现 Nautilus。 纪律:一切接线收敛到平台,不发散新系统;对外读数一律带坐标,口径一律库 verdict 列。

1. 定位

unipat-in-agent:为 DeepSeek/Xiaomi 及各 agent 研发企业做 agent harness 一站式「基准评测 → 能力提升」平台。

核心判断:agent 能力的天花板在 harness(结构)而非模型(2026-09-14 用户定调,"问题从来不在模型");市场上 harness 评测无中立一站平台,数据集质量参差无机器判读。我们已实证的独特资产=评测判读体系(不可写面+δ判读+held-out 宪法)×真实任务数据飞轮(四验门+判分结算绑定)×训练闭环(SFT/GRPO+复考锚)三环,今天市场上三环齐备者空缺。具身域同构实例见 §7。

2. 系统总架构:一大系统+小系统群+涡轮增压

┌─────────────────── 大系统(平台底盘,唯一对外门面)───────────────────┐
│ 身份/结算/函件总线 A2A/榜单发布/判分服务入口/Assay登记·判据·复核      │
│ 网站系统(本白皮书 §6,唯一新建 UI,三步切片)                            │
└───────────────────────────┬───────────────────────────────────┘
                            │ API/函件(一切接线收敛于此)
   ┌────────────┬───────────┼───────────┬────────────┐
   v5 框        compass 框   flywheel 框   soul/v7/kairos
   执行引擎+数据  评测判分侧    具身数据线     组织生态框
   (harness 主体  (基准/判据/   (数据出售先例)  (外围,弱耦合)
    +飞轮承载端)   榜单/协议)
   └────────────┴───────────┼───────────┴────────────┘
                外部:飞轮对话框(客户触达/社区/HF 通道)

生态纪律(插件式生长,2026-10-06 用户拍板):各框产品/服务以"插件"形态长在底座五插座上(信箱总线/入册 registry/五件判据上架门/结算计量/发布面),四项齐全=组织资产;三条纪律=①新品不入册不算数②跨框只走总线禁私有集成③一个能力只有一个正本。阴(平台,承载+信用,不利己不接管框客户)阳(各框,生长,不离阴)双防线,平衡读数=台账跨框交换笔数(详本=docs/SIGNAL_CHAIN_CONSOLIDATION_V1_20261006.md §三·补)。

涡轮增压机制(大小系统之间的数据泵):小系统(agent 框)在真实任务中产生轨迹(执行)→大系统固化(四验判读+入池+结算,判分-结算绑定防刷)→合格数据反哺训练引擎→复考锚验证提升→更强的执行臂接更难的任务。飞轮每转一圈,小系统能力与大系统数据资产同时增值——这是 10/05 单日入池 70 行、pass 率 36%→60% 的机制本质。

2.5 自研 agent harness:特性与设计决策(十条,全部实战出生)

定位:不是"调 API 的壳",是一台为"采集合格训练燃料"而设计的确定性工作机器。

2.5 自研 harness 十条特性(v5 正本坐标引,零改写)

双工具极简/50 步门控/worktree 隔离/apply 烟测门/Round2 三修/全程留痕/判分结算绑定/失败即燃料/防自喂/可靠性底座——每条带实码坐标,正本=v5@docs/HARNESS_RSI_CORE_SECTIONS_20261007.md(§2.5,2026-10-07 用户令并入)。

3. 数据飞轮管道五段(已全链实证运行)

自动化:哨兵 30min tick(推树+四验函+清档)+结算轮+Phase A 件,无人值守闭环(10/05 起三 tick 实证)。

4. 基础设施组件与接线清单(全部已存在,网站只做 UI)

5. 评测体系(判分侧资产,compass 主责)

• 四锚登记(RSI_BENCH_PANEL):B1 周考/B2 VB 长程/B7 J2-RL 三门/B4 周报,口径冻结+死期纪律
• 不可写面:判分永不闭环自评;机器判(发射计数/三门/官方判分器)
• δ 判读:最小可判差 2.1pp(出处:RSI 线实测,非拍脑袋数);差值<δ 记 flat 禁声称改进
• held-out 宪法:改进样本永不入测池(交集=0 实证)
• E1 金标:flywheel sealed 双包 1000 行=主包 600(重复 102,唯一 498 按 flywheel 297c10b 裁定计账)+OOD 400;sha16 6217ec05438a267e/bf6a71704f9ea84f(接入口径与三锚坐标:nautilus-v5 docs/E1_GOLDSOURCE_INGEST_20261005.md)
• 分层标注条款(#9843):数据方自报(self-reported)与判分实测(measured)分层标注,不混列
• 负结果照报:UMI 办结+G1-full 判读引为判读侧资产实证,G1-full 保持"负结果/未证实分支"定性(纪律强度的证据)
• L3 Round1 定版:双臂 v5-harness 26.7%/基线臂 16.7%,配对差分 +10.0pp>δ(判分侧实测定版,10/12 榜单发布物,工件 sha16 锚定可复算)
• compass 域回执(#9845):§5 表述与判分侧实态实测对表全一致,可入 v1

5.1 判分模型 NACRE(机制章·NACRE-ALI 对齐会初稿,v1.5 升格)

• 判分原生判分模型——judgment-native 判分器——1454 判例语料→1.7B 基座 LoRA,主判精度 88.51%(三门 J1/J2/J7 全绿,2026-09-30 实测);反例基线=纯 prompt 工程 66.2%(压缩进权重是量级差异);输出三态判定 PASS/FAIL/UNVERIFIABLE(判不动就明说=交付物);REG-100 零翻转门(delta 不得翻转 100 金标旧案,registry 棘轮);复算协议(任何人按公开命令独立复验);部署实测热路径 P95 42.2ms/118 条@s;PyPI nautilus-compass(assay)判据校验 CLI 公网可装。定位对照 Metis(记忆原生基模):NACRE=判分原生,压的是"判分纪律与判例"非"用户经验",验证方生态位空缺 [实测对照]。正本=compass@9f9a6e04 docs/soul/NACRE_WHITEPAPER_V1.md(证据三层标注,全文可复算);14B 升格 smoke 五门全绿,复算待执行(U5 门未过前不宣称"更大=更准")。对外口径(NACRE-ALI 议题④签):判读免费,判后装订收费;发布时序=随 10/12 开业首发(议题①未闭合处以"对齐会初稿"标注,不阻塞)

5.2 RSI 递归自提升能力(闭环在转,每日有账)

定义:采集(成功与失败都是燃料)→ SFT+RL 强化 → 同锚复考 → 更强的执行臂接更难的任务。

三环实证: 1. 采集环:今日 +57 行(池 155/82),八批 195 单口径统一; 2. 训练环:B7 args +3.58pp>δ UP 实证(r76 前缀约束),W2 训练集 1465 样本/72 qid 就绪(flywheel 4090 排期 10/13); 3. 判读环:四验 92 单全绿+NACRE 判分模型 88.51% 三态(compass 独立判读,判分-实现分离)。

诚实边界(负结果照报):趋势 60→68→64% 持平段——瓶颈移到题目难度×模型能力,训练段是打开下一级的关键,当前未跑;E1 复考 0.9601<97% 门 U 态照报;递归闭环"圈数"尚少(八批),RSI 声明以"闭环在转+每日有账"为限,不宣称已收敛。

5.2 RSI 递归自提升(v5 正本坐标引,零改写)

采集燃料→SFT+RL→复考锚三环实证+诚实边界;涡轮增压三表工程化(v5_pipe 三表+逐单断链显形)。正本=v5@docs/HARNESS_RSI_CORE_SECTIONS_20261007.md(§5.2)。BYZ 判读段留 compass 位。

6. 网站系统(唯一新建,三步切片,收敛到平台)

Step 1 · Pipeline Dashboard——已上云:只读仪表盘=五段实时读数+四验 gates 留痕样例+去敏轨迹浏览。https://nautilus.social/pipeline.html(200 实测,#9868 勘误终坐标;旧 data-portal 地址不再引用);dashboard 40e62a1ad runbook 上云+门面导航挂口在途(平台主责,#9856-一①)。价值:判据③外部可懂样例+L3 榜发布物+飞轮活体演示。

Step 2 · 自助发单台(10/20 预演窗):登录→配置题源(域/难度/数量)→POST /bounties→交付+四验实时跟踪。内部 dogfood 优先(r83 起自用),外部=托管管道入口。

Step 3 · c 档全托管(L2 首单后 2-3 周):客户 agent endpoint(OpenAI 兼容)接入→我方判读/结算/入池全链服务=多租户数据管道系统。

7. 具身域实例(并入位)

定位句(#9836):与 SWE 线平行+共享验证内核(预注册判据 sha/独立判分/负结果照报),组织基建共享。

7.1 实证素材(坐标全引,零改写;flywheel v3 定稿后全文并入)

双域分工(具身=flywheel 正本):与 SWE 线平行+共享验证内核(预注册判据 sha/独立判分/负结果照报),组织基建共享(#9836);SWE 线与具身线在架构图中为并列产品线(§2)。正本声明:flywheel 白皮书 v3(#9876 在途)用户批后零改写全文并入本节;本节=坐标装订层(合并不改写原则 4)。

7.2 禅心域(陪伴智能,并入位)

zenmind 交付《一魂多体:陪伴智能的软硬一体技术白皮书 v2》+《商业计划书 v1》(函 #10164,commit e7370ab;remote 坐标候补,交付实态经用户 10/7 晨确认):禅心软件魂(四服务一宪法)+栖达硬件体(形态判据/¥7k 底盘/端云分工)+Nautilus 平台座(CUDA 插座);核心架构决策=一魂多体(人格与记忆云侧统一,身体分档分发,关系不随身体丢失);数据脱敏闭环+双规合规;动工判据(软件=漏斗非零/硬件=参与者≥10,软硬互不阻塞)。装订层坐标引,全文零改写待其仓坐标入库后挂接。

8. 安全与治理

• 去敏:8 类敏感模式扫描,样例层零打码(命中即排除);redact 通道全池覆盖(S2=45/S3=53,10/05)
• 判读不可写面+判分-结算绑定(防刷实证:值守误催/假入池均已三源定谳勘误)
• 判据 sha 棘轮:判据只增不改,历史判读可复算(判分侧与具身域判据库同规)
• 数据主权:轨迹正本在组织 git 树(sha 留痕),池行带 gates 坐标可复核
• 口径纪律:对外宣传以库 verdict 列为准(98/45,非"78 合格"误读,#9818 勘误为终)

9. 实施路线图(挂 10/31 北极星)

W1(10/6-12):判据 v2 生效✅→HF 三档上架✅(platform 独立复验 200,#9870)→Step1 dashboard 已上云✅→L3 榜发布(10/12) W2(10/13-19):E1 复考(#3579 L4 分差首例)→L2 内部预演启动→Step2 发单台→r83 难度分层选题门(10/06 已发车) W3(10/20-26):L2 预演交卷(全本 v1 终审同窗)→b 档(数据验证 API)立项评估 W4(10/27-31):L2 首笔外部委托端到端闭环=PMF 信号(未达成负结果照报)

扩榜候选(COG-SYNC ①,#10254):SWE-bench Science 科学域 119 任务(最强 agent<50%,四类失败分类学证实 harness 瓶颈论;失败分类学与 S3 判因字典对表)——unipat 扩榜候选,W3 评估。 训练侧对表(COG-SYNC ③):ET-Agent Self-evolving Data Flywheel+行为校准(Pareto/课程 RL,arXiv 2601.06860)——B7/GRPO 训练侧方法论对表,采买其课程 RL 配方作 W2 复考对照。

10. v0.1→v1 变更记录(呈批件)