Les auteurs identifient l'« auto-blocage » comme un mode de défaillance à l'exécution dans les agents persona à long terme, où les vies générées convergent vers des environnements familiers et des états obsolètes en raison de la convergence du modèle et de la gravité contextuelle. Pour remédier à cela, ils introduisent AutoPersonas, un moteur d'environnement de vie multi-échelles qui sépare les Occurrences côté environnement, les Observations accumulées et l'État persona au sein d'une boucle OSO.
- Une simulation compressée sur trois ans a exposé des problèmes tels que des lacunes de durcissement par occurrence et une indécision récursive dans les systèmes existants.
- Un test de stress sur 40 jours avec huit modèles a montré une répétition moyenne glissante de 5 jours des catégories d'action comprise entre 95,2 % et 97,6 %, tous les modèles dépassant les 90 % au jour 11.
- La conservation sémantique a révélé une répétition de macro-thèmes comprise entre 79,0 % et 88,0 % sur les exécutions en boucle directe.
- Lors d'un test A/B sur 40 jours dans le même environnement d'exécution, le masquage par tranche contextuelle couplé à une divergence par échantillon ciblée a réduit la répétition de macro-thèmes de 61,8 % à 36,3 % et a approximativement doublé le nombre cumulatif de thèmes.
Ces résultats étayent l'affirmation selon laquelle séparer la divergence contrôlée de l'absorption gouvernée par les preuves peut réduire l'auto-blocage persona-environnement tout en préservant la continuité identitaire.