Artikel ini memperkenalkan Optimisasi Terbuka (OEO), sebuah kerangka kerja yang memungkinkan pengoptimal model terdepan untuk secara dinamis menyusun proses perbaikannya secara daring, alih-alih mengandalkan pipa optimasi yang telah ditentukan. Para penulis membandingkan OEO dengan dua pendekatan bertahap, SkillOpt dan GEPA, di seluruh 14 perbandingan langsung atas delapan pengaturan target-model benchmark.
OEO yang digerakkan oleh GPT-5.5 meraih 12 kemenangan, satu seri, dan satu kekalahan tipis sebesar 0,21 poin persentase. OEO memanfaatkan median 34,3 persen dari anggaran token interaksi target yang dikonfigurasi SkillOpt. Uji kontrol mengonfirmasi bahwa peningkatan tersebut bukan semata-mata disebabkan oleh penulisan ulang yang didorong oleh prior tunggal. Namun, pendekatan ini memiliki batas kemampuan: SkillOpt unggul dibandingkan OEO dengan pengoptimal menengah, dan pengoptimal lemah tidak dapat beroperasi melalui antarmuka OEO yang tidak berubah.
Temuan ini membingkai ulang pipa yang telah ditentukan sebagai perancah yang bergantung pada kemampuan, menunjukkan bahwa meskipun batasan penting tetap bersifat eksternal, pengoptimal yang cukup mampu dapat menyusun jalurnya sendiri dari umpan balik menuju perbaikan.