लेखकों ने "स्व-लॉकिंग" को दीर्घकालिक पर्सोना एजेंट्स में एक रनटाइम विफलता मोड के रूप में पहचाना है, जहाँ मॉडल अभिसरण और संदर्भ गुरुत्वाकर्षण के कारण उत्पन्न जीवन परिचित वातावरणों और पुरानी अवस्थाओं की ओर ढल जाते हैं। इस समस्या को दूर करने के लिए, उन्होंने AutoPersonas का परिचय दिया है, जो एक मल्टी-टाइमस्केल लाइफ-एनवायरनमेंट इंजन है जो OSO लूप के भीतर एनवायरनमेंट-साइड घटनाओं (Occurrences), संचित अवलोकनों (Observations) और पर्सोना की स्थिति (State) को अलग करता है।
- एक तीन वर्षीय संक्षिप्त सिमुलेशन ने मौजूदा प्रणालियों में occurrence-hardening अंतर और पुनरावर्ती निर्णयहीनता जैसे मुद्दों को उजागर किया।
- आठ मॉडलों वाले 40 दिनों के तनाव परीक्षण में माध्य रोलिंग 5-दिनी एक्शन-श्रेणी दोहराव 95.2% से 97.6% के बीच था, और सभी मॉडल 11वें दिन तक 90% को पार कर गए।
- सैमैंटिक री-कीपिंग ने डायरेक्ट-लूप रनों में 79.0%-88.0% मैक्रो-थीम दोहराव दिखाया।
- एक समान रनटाइम वाले 40 दिनों के A/B टेस्ट में, कॉन्टेक्स्ट-स्लास मास्किंग और प्रति-सैंपल विचलन लक्ष्यीकरण ने मैक्रो-थीम दोहराव को 61.8% से घटाकर 36.3% कर दिया और संचयी थीम गणना को लगभग दोगुना कर दिया।
ये परिणाम इस दावे का समर्थन करते हैं कि नियंत्रित विचलन को प्रमाण-शासित अवशोषण से अलग करने से पर्सोना-एनवायरनमेंट स्व-लॉकिंग कम हो सकता है, जबकि पहचान निरंतरता बनी रहती है।