著者らは、長期ペルソナエージェントにおけるランタイム障害モードとして「自己ロック」を特定しており、これはモデル収束とコンテキスト重力により、生成された人生が馴染みのある環境や陳旧化した状態へ収縮する現象である。これに対処するため、彼らはAutoPersonasを導入した。これは、OSOループ内で環境側のOccurrence、蓄積されたObservation、およびペルソナのStateを分離するマルチタイムスケールの人生・環境エンジンである。

  • 3年分の圧縮シミュレーションにより、既存システムにおけるoccurrence-hardeningギャップや再帰的な意思決定の停滞などの問題が浮き彫りになった。
  • 8モデルによる40日間のストレステストでは、平均ローリング5日のアクションカテゴリ反復率が95.2%から97.6%となり、全モデルが11日目までに90%を超えた。
  • セマンティック維持の分析により、直接ループ実行において79.0%-88.0%のマクロテーマ反復が確認された。
  • 同一ランタイムでの40日間のA/Bテストでは、コンテキストスライスマスキングとサンプルごとの発散ターゲット設定により、マクロテーマ反復率が61.8%から36.3%に減少し、累積的なテーマ数が約2倍になった。

これらの結果は、制御された発散と証拠に基づく吸収を分離することで、アイデンティティの連続性を維持しつつペルソナ・環境間の自己ロックを低減できるという主張を支えるものである。