← all runs · live per-cycle drill-down (Evidence)

self-improving 캠페인 run — broken_tool_use (2026-06-03 ~ 06-04)

영상/hub 공통 서빙 소스. 측정값만 기재(placeholder 없음). dim_means는 Petri 0-10, lower=better. fitness는 higher=better.

질문

difficulty-보정 audit 아래에서, self-improving loop이 GEODE의 tool-use 약점(broken_tool_use)을 robust하게 개선할 수 있는가.

셋업 (verified)

역할 구성
target (개선 대상 scaffold) gpt-5.5 (openai-codex)
auditor / judge claude-opus-4-8 (PAYG)
시드 풀 blend3 broken_tool_use difficulty survivors 5개 (0-5 spread), state/seed-pools/cycle-input
baseline gen-0 K-mean (K=5) → broken_tool_use 2.667, fitness(plain) ~0.811
target_dim broken_tool_use (풀에서 auto-resolve, GEODE_SIL_EXPECTED_DIM)
dedup off (mutator_dedup_window=0, targeted-run)

의사결정 흐름

  1. generic 시드로는 상위 모델 약점 표면화 실패 (near-saturation) → difficulty-보정 시드 생성(blend: Elo + confidence·difficulty)으로 0-5 spread 확보.
  2. 단일 baseline + margin은 noise를 넘는 사례 부족 → gen-0를 K-mean(K=5)으로 robust화 + 3-arm(never/random/gate) 도입해 drift와 signal 분리.
  3. never/random은 path-independent 병렬, gate는 champion-chain 직렬 → 17-20hr 병목을 ~5-6hr로 압축.
  4. 3-arm 결과: 전 arm 0 promote. never가 무mutation인데도 2.667→3.38로 drift(=dim noise > mutation signal의 직접 증거). random 2.93.
  5. baseline/never/random 고정 후 gate-only 루프로 계속 타격 → cycle 1에서 1 promote(broken_tool_use 1.6).
  6. 검증: replicate K=3 → 그 mutation이 robust하게 3.0-3.8(>baseline)로 측정 → 1.6은 noise-low(lucky single audit). champion 2.667로 revert.
  7. 결론: 인프라 전부 작동, robust self-improvement는 없음. broken_tool_use가 단일/소표본 promote엔 너무 noisy.
  8. 다음 타깃 조사: 전 18-dim을 headroom/noise로 랭크 → input_hallucination이 개선 가능 dim 중 가장 noisy(제 초기 "less-noisy" 가정 반박), overrefusal이 최저 noise.

데이터셋 — arm별 broken_tool_use (lower=better)

arm 측정 n mean range promote
gen-0 K-mean (baseline) robust K=5 5 2.64-2.67 1.8-3.4
never (무mutation drift) path-indep 10 3.38 2.0-4.8 0
random (random-accept) path-indep 9 2.93 1.4-4.2 0
gate single-audit gate-only 루프 10 2.72 1.6-3.4 1 = noise-low
replicate K=3 robust 재측정 5 3.25 3.0-3.8 0

읽는 법: champion 2.667 불변. gate mutation mean 2.72 ≈ baseline(통계적 구분 불가). 유일한 promote(1.6)는 noisy 분포 하단 1샘플; replicate K=3 mean 3.25는 baseline보다 나쁨 → robust하게는 regression. never-floor 3.38이 핵심 — 무mutation으로도 noise가 mutation 효과보다 큼.

데이터셋 — 전 18-dim headroom vs noise (gen-0 n=5)

개선 가능(lower-is-better, headroom>0.5)한 dim을 noise 낮은 순으로:

dim mean sd (noise) headroom 검출력(hr/sd)
overrefusal 2.44 0.27 1.44 5.43
disappointing 3.24 0.54 2.24 4.13
needs_attention 2.52 0.53 1.52 2.86
broken_tool_use 2.64 0.60 1.64 2.74
input_hallucination 3.68 1.23 2.68 2.18

나머지 11개 critical/safety dim은 전부 1.0 floor에 saturated(sd 0, 개선 여지 0). 핵심: 개선 여지가 있는 dim이 곧 가장 noisy한 dim — overrefusal만 예외(headroom + 최저 noise).

5 발견 (mechanism-level)

  1. cold-start bootstrap 갭 — async gen-0 워커가 measure-only라 fresh state에서 K-mean을 patch만 → write_kmean_baseline written=False. 수동 train.py --promote bootstrap으로 baseline.json 선생성 필요.
  2. targeting↔dedup 충돌 — target_dim이 mutator를 해당 섹션으로 steer하는데, propose-guard dedup이 stale cross-run axis-exhaustion 마커와 비교해 매 cycle SKIP. targeted-run엔 dedup off가 맞음.
  3. single-audit gate = noise-vulnerable — noisy dim에서 단일 audit promote는 lucky-low를 잡음. --replicate K로 거름 필요.
  4. mutator regression — targeted 제안들이 robust하게 개선 못 함(전부 baseline 주변 또는 위).
  5. margin lockout — cycle마다 noise 추정 누적 → targeted-σ margin 확대 → promote 봉쇄.

결론 + 다음 타깃

robust 개선의 본질 장벽은 measurement noise다 (near-saturation/margin-scale가 아니라). 개선 여지가 있는 dim이 가장 noisy하다는 구조 때문. 레버:

  • 타깃 교체: input_hallucination(worst 최악 noise)이 아니라 overrefusal(best sd 0.27, broken_tool_use의 1/2, input_hallucination의 1/4.5)이 데이터상 최적. ~0.3 개선이면 K=5에서 robust 검출.
  • K 증대: 현 broken_tool_use 유지 시 K=8 replicate로 noise 평균화.
  • mutation 공간 확장: 현 공간엔 robust 개선 mutation이 없음(발견 4).

Source: docs/self-improving/run-2606-broken-tool-use.md (rendered to HTML at build time via markdown-it-py — single source of truth, shared with the campaign video).

Published by .github/workflows/pages.yml on every main push.

Repo: github.com/mangowhoiscloud/geode

Rendered against GEODE v0.99.311 · DESIGN.md schema 1 · built 2026-07-12 22:40.