लेखकों ने स्वतंत्र नीति विकास (Autonomous Policy Evolution) पेश किया, जो एक नियंत्रित मूल्यांकन सेटिंग है जहाँ एजेंट निश्चित इंटरैक्शन बजट के भीतर कार्यकारी नीति प्रणाली को बार-बार संपादित करता है ताकि अन्वेषित नीतियों को पुनरावृत्ति से सुधार सके।
- EvoPolicyGym एक बेंचमार्क है जो संघनित इंटरैक्टिव RL वातावरणों से बना है, जिसे इस पुनरावृत्ति सुधार प्रक्रिया का मूल्यांकन करने के लिए डिज़ाइन किया गया है।
- GPT-5.5 ने समग्र रैंक स्कोर में सबसे मजबूत प्रदर्शन और सभी 16 वातावरणों में शीर्ष दो प्रदर्शन हासिल किया है।
- बेंचमार्क ट्रैजेक्टरी-स्तर के निदान प्रदान करता है जो यह भेद करता है कि एजेंट बजट कैसे आवंटित करते हैं और फीडबैक को पैरामीटर ट्यूनिंग में कैसे परिवर्तित करते हैं।
लेखकों का तर्क है कि मजबूत स्वतंत्र नीति विकास कार्य-उपयुक्त तंत्र खोजने और सीमित फीडबैक के तहत नीतियों को परिष्कृत करने पर निर्भर करता है, न कि केवल अलग-थलग कार्यों में जीत पर।