Une étude évalue si les gains d'optimisation des agents se cumulent au fil du temps en testant trois méthodes — GEPA, Meta Harness et RELAI-VCL — sur les tâches difficiles de Terminal-Bench 2.0. Bien que toutes les méthodes améliorent une ligne de base statique, seul RELAI-VCL parvient à transférer vers des tâches non vues et continue de s'améliorer après des rounds d'optimisation ultérieurs.
- L'agent optimisé par GEPA a performé en dessous de la ligne de base non optimisée lorsque de nouvelles tâches ont été introduites.
- Meta Harness a bien transféré mais n'a pas réussi à améliorer davantage avec un deuxième budget d'optimisation.
- RELAI-VCL a atteint le taux de réussite moyen à vie le plus élevé à 76,4 %, comparé à 66,0 % pour GEPA, 64,6 % pour Meta Harness et 58,7 % pour la ligne de base.
Les auteurs concluent que les gains d'optimisation ne se cumulent que lorsque le contrôle de régression est intégré à la boucle, fournissant un biais inductif contre les solutions de contournement.