El artículo presenta la Optimización de Propósito Abierto (OEO), un marco que permite a un optimizador de modelos de vanguardia componer dinámicamente su proceso de mejora en línea, en lugar de depender de tuberías de optimización prescritas. Los autores comparan OEO con dos enfoques por etapas, SkillOpt y GEPA, en 14 comparaciones directas sobre ocho configuraciones de objetivo-benchmark-modelo.
OEO impulsado por GPT-5.5 logró 12 victorias, un empate y una derrota estrecha de 0.21 puntos porcentuales. Utilizó una mediana del 34.3 por ciento del presupuesto de tokens de interacción con el objetivo configurado de SkillOpt. Una prueba de control confirmó que las ganancias no se debieron meramente a una reescritura impulsada por un previo. Sin embargo, el enfoque tiene límites de capacidad: SkillOpt superó a OEO con optimizadores medianos, y los optimizadores débiles no pudieron operar a través de la interfaz inalterada de OEO.
Los hallazgos replantean las tuberías prescritas como andamiaje dependiente de la capacidad, sugiriendo que, aunque las restricciones esenciales permanecen externas, los optimizadores suficientemente capaces pueden componer su propia ruta desde la retroalimentación hasta la mejora.