మీ డెస్క్ మీదే వేగవంతమైన AI కోడింగ్.
SWE‑bench Verified లో సుమారు 69%.

1.7.0 లో ఇంకా: Night Shift ఒక టాస్క్‌ను అనేకసార్లు ప్రయత్నించి ఉత్తమ ప్రయత్నాన్ని ఉంచుకోగలదు (/night add --best-of N), ఒక మెషీన్ అనేక Signal బ్రిడ్జ్‌లను నడపగలదు, ఒకే నెట్‌వర్క్‌లో రెండు నోడ్‌ల మధ్య క్లయింట్ ఎంచుకుంటుంది, తనకు తెలిసిన దాన్ని కోల్పోదు. రిలీజ్ నోట్స్, డౌన్‌లోడ్‌లు.

ఇన్‌స్టాల్

$ curl -fsSL https://github.com/dreamference/ragon/releases/latest/download/install.sh | bash

$ ragon-admin server start      # మోడల్‌ను ఒక్కసారి డౌన్‌లోడ్ చేస్తుంది (~20 GB), తర్వాత సర్వ్ చేస్తుంది
$ cd ~/your-project && ragon    # అంతే

> irm https://github.com/dreamference/ragon/releases/latest/download/install.ps1 | iex

ముందు వీటిని ప్రయత్నించండి

లేదా ఈ రాత్రికి పనిని క్యూలో పెట్టండి: /night add <task>. మీరు నిద్రపోయే సమయంలో Ragon క్యూను పూర్తి చేస్తుంది, ప్రతి టాస్క్ దాని సొంత git బ్రాంచ్‌లో, ఉదయం కాఫీ తాగుతూ బ్రాంచ్‌లను సమీక్షించండి.

$ ragon "explain this repository to me like I'm new on the team"
# reads the code index (ragon-code outline, def, refs, callers) instead of grepping,
# then walks you through the layout, the entry points and how they connect

$ ragon "the tests are failing: find out why and fix them"
# runs the tests, reads the failure, edits the code and runs the tests again,
# asking before anything risky

> /night add --best-of 3 add input validation to the signup form, with tests
# tonight: three attempts, each in its own git worktree; the one the chooser picks
# is committed on its own branch, and nothing is merged or pushed
$ ragon-admin night status      # the timer, the window and the queue
> /night apply <id>            # in the morning: bring the branch back as uncommitted changes

మీకు ఏమి లభిస్తుంది

Ragon 1.7.0 డెస్క్‌టాప్ యాప్ Ask, Work లను ఒకే విండోలో ఉంచుతుంది. Work అనేది ఏజెంట్ సెషన్ల కోసం పూర్తి వర్క్‌బెంచ్: ఫైళ్లు, స్కిల్స్, కమాండ్లతో కంపోజర్, స్టేజ్ చేయడానికి, వెనక్కి తీసుకోవడానికి, కమిట్ చేయడానికి రివ్యూ పేన్, వర్క్‌ట్రీలు, టెర్మినల్ ట్యాబ్‌లు, థ్రెడ్ పక్కనే ఫైల్ ట్రీ, ఫైల్ ట్యాబ్‌లు. మీ ఇతర కంప్యూటర్లలో ఇది మీ GB10 కు క్లయింట్; లోకల్ నెట్‌వర్క్‌లో దాన్ని కనుగొంటుంది.

$ ragon worktree on   # new sessions start in their own worktree
$ cd ~/your-project && ragon
> /airgapped on      # no network for any command it runs
> /worktree apply    # bring the changes back to your checkout

$ sudo apt install ./ragon_1.7.0_arm64.deb

$ ragon-admin mcp            # stdio MCP for JetBrains and VS Code
$ ragon signal setup         # Note to Self only, off until linked
$ ragon chat telegram setup  # topics and the Mini App

ఎందుకు Ragon

SWE-bench Verified, ఒక DGX Spark మీద కొలిచినది

2026-10-08 న Qwen3.8-27B తో Ragon 1.5.1 ఏజెంట్ ఒక DGX Spark మీద ఆఫ్‌లైన్‌లో SWE-bench Verified లో 100 లో 68 టాస్క్‌లు పరిష్కరించింది: 100 టాస్క్‌ల స్థిర నమూనా, ప్రతి టాస్క్‌కు ఒక ప్రయత్నం, డిఫాల్ట్ మోడ్. మొత్తం 500 టాస్క్‌లకు విస్తరిస్తే ఇది అంచనా ≈69% (95% పరిధి 63.9–73.4%). ఇది మా సొంత యంత్రంపై, ఒక ఉపసమితిపై, మేమే చేసిన కొలత; లీడర్‌బోర్డ్ ఎంట్రీ కాదు.

దీన్ని ర్యాంకింగ్‌లా కాకుండా సహచర మోడల్స్‌తో పోలికగా చదవండి. అవే 100 టాస్క్‌లపై Ragon, తనకంటే ఎన్నో రెట్లు పెద్ద మోడల్స్ అయిన Qwen3-Coder-480B, GLM-4.6 లతో సమానంగా పరిష్కరించింది; కానీ ప్రతి వరుసలో ఏజెంట్ వేరు, హార్డ్‌వేర్ వేరు, లీడర్‌బోర్డ్ వరుసల్లో అధికారిక x86 టెస్ట్ ఇమేజ్‌లు, మాది కమ్యూనిటీ arm64 ఇమేజ్‌లపై నడిచింది. refine మోడ్‌లో మొదటి సెషన్ ఏమీ మార్చకుండా టాస్క్‌ను అధ్యయనం చేస్తుంది, కొత్త సెషన్ దాన్ని చేస్తుంది: ఇది డిఫాల్ట్ కంటే ఒక టాస్క్ ఎక్కువ పరిష్కరించింది (69 వర్సెస్ 68, ఒక్కో మోడ్ మరో మోడ్ విఫలమైన టాస్క్‌లు గెలిచింది), ప్రతి టాస్క్‌కు సుమారు 2.2 రెట్లు సమయంతో, అందుకే ఇది ఐచ్ఛికంగానే ఉంది (ragon --refine).

1. Ragon: 100 టాస్క్‌లు, ఒక్కొక్కటికి ఒక ప్రయత్నం; ఒక DGX Spark (GB10, 128 GB), మోడల్ స్థానికంగా సర్వ్ అవుతుంది, క్లౌడ్ లేదు; డిఫాల్ట్ మోడ్ 2026-10-08 న, refine మోడ్ 2026-10-09 న కొలిచారు. అంచనా SWE-bench experiments ప్రతి-టాస్క్ డేటా నుండి.
2. 500 టాస్క్‌లు, ఒక ప్రయత్నం; హార్డ్‌వేర్ చెప్పలేదు. మూలం: experiments, 20250805_openhands-Qwen3-Coder-480B-A35B-Instruct. అదే మోడల్ mini-SWE-agent తో: 57/100, 55.4%.
3. 500 టాస్క్‌లు, ఒక ప్రయత్నం, ఏజెంట్ వెల్లడించలేదు; హార్డ్‌వేర్ చెప్పలేదు. మూలం: experiments, 20250930_zai_glm4-6.
4. 500 టాస్క్‌లు, ఒక ప్రయత్నం; హార్డ్‌వేర్ చెప్పలేదు. మూలం: experiments, 20260217_mini-v2.0.0_kimi-k2-5-high.
5. 500 టాస్క్‌లు, ఒక ప్రయత్నం; హార్డ్‌వేర్ చెప్పలేదు. మూలం: experiments, 20260217_mini-v2.0.0_deepseek-3-2-high.
6. ఒక్కొక్కటికి 500 టాస్క్‌లు; హార్డ్‌వేర్ చెప్పలేదు. నాలుగు సమర్పణలు: OpenHands (80/100, 77.6%), live-SWE-agent (80/100, 79.2%), Sonar Foundation Agent (77/100, 79.2%), mini-SWE-agent, high (79/100, 76.8%). అంతకు ముందటి mini-SWE-agent రన్ 74/100, 74.4% స్కోరు చేసింది.
7. 500 టాస్క్‌లు, ఒక ప్రయత్నం; హార్డ్‌వేర్ చెప్పలేదు. మూలం: experiments, 20251120_livesweagent_gemini-3-pro-preview. అదే మోడల్ mini-SWE-agent తో: 72/100, 74.2%.
8. లీడర్‌బోర్డ్‌లో ప్రచురితమైన ఉత్తమ 20–40B మోడల్. 500 టాస్క్‌లు; టెస్ట్-టైమ్ స్కేలింగ్ ప్రతి టాస్క్‌కు రెండు లేదా అంతకంటే ఎక్కువ ప్రయత్నాలు వాడుతుంది; హార్డ్‌వేర్ చెప్పలేదు. మూలాలు: టెస్ట్-టైమ్ స్కేలింగ్, ఒక ప్రయత్నం.
9. 500 టాస్క్‌లు, ఒక ప్రయత్నం; హార్డ్‌వేర్ చెప్పలేదు. మూలం: experiments, 20251209_mini-v1.17.2_devstral-small-2512.
10. GitHub సొంత సంఖ్య, ఏప్రిల్ 2025: “agent mode achieves a pass rate of 56.0% on SWE-bench Verified with Claude 3.7 Sonnet”. టాస్క్‌ల సంఖ్య, ప్రయత్నాలు, హార్డ్‌వేర్ చెప్పలేదు; లీడర్‌బోర్డ్‌లో లేదు. మూలం: GitHub బ్లాగ్.
11. Anthropic తన Claude మోడల్స్ కోసం SWE-bench Verified ప్రచురిస్తుంది, తన సొంత సరళమైన స్కాఫోల్డ్‌లో (bash టూల్, ఎడిట్ టూల్) నడిపినది; Claude Code ఉత్పత్తి కోసం కాదు. మూలాలు: Claude Code, Anthropic SWE-bench పద్ధతి.
12. Cursor తన సొంత బెంచ్‌మార్క్ Cursor Bench పై ఫలితాలు ప్రచురిస్తుంది, SWE-bench Verified పై కాదు. మూలం: Cursor బ్లాగ్, Composer.

లీడర్‌బోర్డ్ సంఖ్యలన్నీ: swebench.com, SWE-bench/experiments రిపాజిటరీ; “అవే 100 టాస్క్‌లు” అంటే ప్రతి సమర్పణ ప్రచురిత ప్రతి-టాస్క్ ఫలితాలు, Ragon నడిపిన టాస్క్‌లకు పరిమితం చేసినవి.

పేపర్

ప్రశ్నలు