लेख ओपन-एंडेड ऑप्टिमाइजेशन (OEO) का परिचय देता है, एक फ्रेमवर्क जो एक फ्रंटियर मॉडल ऑप्टिमाइजर को निर्धारित ऑप्टिमाइजेशन पाइपलाइन पर निर्भर रहने के बजाय अपनी सुधार प्रक्रिया को ऑनलाइन गतिशील रूप से संयोजित करने की अनुमति देता है। लेखकों ने आठ बेंचमार्क-टारगेट-मॉडल सेटिंग्स पर 14 हेड-टू-हेड तुलनाओं में OEO की तुलना दो चरणबद्ध दृष्टिकोणों, SkillOpt और GEPA से की है।
GPT-5.5-संचालित OEO ने 12 जीत, एक टाई और 0.21 प्रतिशत बिंदुओं का एक संकीर्ण हार हासिल किया। इसने SkillOpt के कॉन्फ़िगर किए गए टारगेट-इंटरैक्शन टोकन बजट का मध्यक 34.3 प्रतिशत उपयोग किया। एक नियंत्रण परीक्षण ने पुष्टि की कि लाभ केवल एक पूर्व-ड्राइवन पुनर्लेखन के कारण नहीं थे। हालाँकि, इस दृष्टिकोण में क्षमता सीमाएँ हैं: SkillOpt ने मध्यम ऑप्टिमाइजर के साथ OEO से बेहतर प्रदर्शन किया, और कमजोर ऑप्टिमाइजर अपरिवर्तित OEO इंटरफ़ेस के माध्यम से काम नहीं कर सके।
निष्कर्ष निर्धारित पाइपलाइन को क्षमता-आधारित ढांचे के रूप में पुनः परिभाषित करते हैं, यह सुझाव देते हुए कि जबकि आवश्यक बाधाएँ बाहरी रहती हैं, पर्याप्त रूप से सक्षम ऑप्टिमाइजर फीडबैक से सुधार तक अपनी स्वयं की रास्ता संयोजित कर सकते हैं।