L'article présente l'Optimisation à Finalité Ouverte (OEO), un cadre qui permet à un optimiseur de modèle de pointe de composer dynamiquement son processus d'amélioration en ligne, plutôt que de s'appuyer sur des pipelines d'optimisation prédéfinis. Les auteurs comparent OEO à deux approches par étapes, SkillOpt et GEPA, à travers 14 comparaisons directes sur huit configurations de cible-benchmark-modèle.
L'OEO piloté par GPT-5.5 a remporté 12 victoires, un match nul et une défaite étroite de 0,21 point de pourcentage. Il a utilisé une médiane de 34,3 % du budget de tokens d'interaction cible configuré de SkillOpt. Un test de contrôle a confirmé que les gains n'étaient pas simplement dus à une réécriture unique guidée par un antécédent. Cependant, l'approche présente des limites de capacité : SkillOpt a surpassé OEO avec des optimiseurs moyens, et des optimiseurs faibles ne pouvaient pas fonctionner via l'interface OEO inchangée.
Les résultats reconfigurent les pipelines prédéfinis comme un échafaudage dépendant de la capacité, suggérant que bien que des contraintes essentielles restent externes, des optimiseurs suffisamment capables peuvent composer leur propre chemin allant du retour d'information à l'amélioration.