Агент Ouroboros превзошёл Codex и Claude Code в Terminal‑Bench, OSWorld и CL‑Bench

Исследователи из AIRI представили нового автономного агента Ouroboros, способного генерировать и переписывать собственный код без вмешательства человека. Проект построен на чистом Python, имеет доступ к Git, может безопасно перезапускать себя на новой версии и откатываться к предыдущей при необходимости.

Главный эксперимент заключался в сравнении производительности Ouroboros с известными код‑генераторами Codex и Claude Code на трёх бенчмарках: Terminal‑Bench, OSWorld и CL‑Bench. По результатам тестов Ouroboros продемонстрировал 15‑25 % прирост скорости выполнения задач, а также более высокую точность в генерации команд и скриптов. На Terminal‑Bench агент показал лучшую адаптацию к интерактивным терминальным сессиям, в OSWorld — более эффективное управление виртуальными окружениями, а в CL‑Bench — более качественное решение задач по контролю логики.

Особенность Ouroboros – «кривой косой» цикл само‑усовершенствования: агент генерирует код, коммитит его в репозиторий, тестирует, оценивает метрики и, при необходимости, переписывает свой рантайм. Такой подход позволяет системе эволюционировать без человеческого контроля, сохраняя при этом безопасный механизм отката. Исходный код и подробный отчёт о тестировании опубликованы на GitHub (ссылка в оригинальном материале).

Проект открывает новые перспективы в области само‑обучающихся агентов и демонстрирует, что автономные системы уже способны конкурировать с ведущими коммерческими моделями в реальных задачах программирования.