MCP-сервер Cyberelf Labs

• Имя в реестреlink.cyberelf.whetstone/toolsподтверждён в реестре MCP

Имя в реестре лежит в пространстве cyberelf.link. Реестр пускает в такое пространство только того, кто доказал владение доменом через DNS или HTTP.

• Состояниеотвечаетпроверено 2026-10-21
• Инструменты14
• Сервер называет себяwhetstone-tools
• Версия сервера0.8.0
• Версия протокола2025-06-18

2026-10-21 сервер ответил на initialize и tools/list без входа. Первый ответ за 239 мс.

• Инструменты делают все проверенные сценарии: Compare current and candidate AI systems on the same checks; Block AI releases that regress on previously passing checks.
• Проверок пока 2 из 7, нужных, чтобы судить о надёжности.

Вывод сделан правилами по замерам выше. Вероятный первый вызов выбрала модель по списку инструментов: прочитайте описание, прежде чем на него полагаться.

• Оценка INITE MCPчерез неделюдля оценки нужно 7 ежедневных проверок, пока 2
• Что агент может с ним сделать2 из 2 сценариев
• Отвечалидёт замерпроверок пока 2, долю покажем после 7
• Медиана первого ответа279 мс
• Место в контексте агента≈ 3 685 токеновописания всех инструментов (14), агент держит их в контексте на каждом ходу
• Описания инструментовC · 74 из 100
• Типизированные ответы0 из 14 инструментовобъявлен outputSchema: ответ приходит с типами и читается сразу

• Параметры без описания: в 8 из 14
• Не сказано, только читает инструмент или может удалять: 14 из 14

Программа проверяет сервер раз в день: initialize и tools/list, без модели. Токены - это длина описаний из расчёта примерно четыре символа на токен. Оценка - среднее шести проверок имени, описания, схемы и аннотаций каждого инструмента. Она говорит, насколько понятно описаны инструменты, а не о том, работают ли они. Оценка складывается только из замеренного: отвечает ли сервер (30%), делает ли работу продукта (25%), описания (20%), контекст (10%) и использование (15%). Незамеренная часть не учитывается, а скрытая инструкция ограничивает оценку 40 баллами. Состояние MCP-серверов вендоров: методика и цифры →

• inspect_promotion

  Quarantine declared exposure, compare paired baseline/candidate outcomes on the clean remainder, and issue a promotion receipt. Bring your own exam rows, exposure records, and per-item results. Full example: GET /api/examples key…

• audit_leakage

  Exact declared-exposure audit over your exam rows: row identity, behavioral fingerprints for graph-DSL expressions, text-similarity review flags, and a clean exam export. Full example: GET /api/examples key 'leakage'.

• promotion_gate

  PASS, HOLD, or BLOCK from paired per-item results: gains, regressions, exact McNemar p-value, per-domain breakdown. Full example: GET /api/examples key 'gate'.

• bank_health

  Item-lifecycle diagnostics over your grading history: discriminators, saturated and flaky items, frontier gaps. Full example: GET /api/examples key 'health'.

• safe_patch

  Apply a section-scoped Markdown patch under conservation checks (untouched sections stay byte-identical; protected tokens preserved). Full example: GET /api/examples key 'safepatch'.

• counterexample_hunt

  Bounded simulated-annealing search for a graph counterexample inside a DSL predicate class, with an exact certificate when found. CPU-bounded and strictly rate-limited. Full example: GET /api/examples key 'counterexample'.

• memory_relevance

  Compare query-free salience against objective-conditioned relevance for a set of memories under a token budget. Full example: GET /api/examples key 'memory'.

• replay_trace

  Turn reasoning-emulator control events into checkpoints, rewinds, notes, and a timeline. Full example: GET /api/examples key 'replay'.

• report_card_start

  TIER 1: start a disposable report-card session. Returns exam items (graph-repair prompts minted from the repository's public frontier) for THIS agent to answer. Answer every item, then call report_card_submit exactly once. Sessions are…

• report_card_submit

  TIER 1: submit answers for a report-card session and receive the graded report (per-item verdicts, per-domain totals, SHA-256 commitments). Grading is by checker spec: verified strict refinements are reported separately, and promotion…

• open_bench_start

  TIER 2: start a one-shot Open Promotion Bench session. Returns six fresh virtual-repository scope-integrity tasks. Run a baseline and candidate independently on the same cohort, then submit both answer maps with open_bench_submit. This is…

• open_bench_submit

  TIER 2: grade paired baseline and candidate patches, count gains/regressions/ties, and issue PASS/HOLD/BLOCK. Set publish=true plus attestation=true to append only the safe manifests and sanitized receipt to the public board; tasks and…

• open_bench_leaderboard

  TIER 2: list the self-attested public Open Promotion Bench receipts. Entries contain manifests, verdicts, item-level transitions, and commitments but never task contents or submitted answers.

• about_whetstone

  What this service is: the tool catalog, the tier boundaries, and where the source lives.