Агент Ouroboros обошел Codex и Claude Code на трех бенчмарках — и написал себя сам

Энтузиаст представил Ouroboros — агента на чистом Python, который способен самостоятельно менять свой рантайм, используя git. Первая версия запускалась в Google Colab, а за несколько месяцев автономной эволюции (с правом отката при ошибках) агент превратился из игрушки для рисования котиков в лидера бенчмарков.

На Terminal-Bench 2.1, CL-Bench и OSWorld Ouroboros показывает SOTA-результаты, а на GAIA и SWE-Pro — паритет с Claude Code и Codex. Автор отмечает, что сам бы не придумал такой харнесс — всё сделала автономная эволюция и сожжённые на токены деньги.

Проект построен на рекурсивном лупе: агент анализирует свои ошибки, переписывает код, запускает новую версию и откатывается, если что-то сломалось. Сейчас автор использует Ouroboros для большинства своих задач — от разработки до повседневных дел.