저자들은 장기 페르소나 에이전트에서 생성된 삶이 모델 수렴과 컨텍스트 중력으로 인해 친숙한 환경과 낡은 상태로 수렴되는 런타임 실패 모드인 "자기 잠금(self-locking)"을 식별했습니다. 이를 해결하기 위해 저자들은 OSO 루프 내에서 환경 측 Occurrences, 누적된 Observations 및 페르소나 State를 분리하는 다중 시간대 삶-환경 엔진인 AutoPersonas를 도입했습니다.

  • 3년 압축 시뮬레이션은 기존 시스템에서 발생 고착화 간격과 재귀적 의사결정 부재와 같은 문제를 드러냈습니다.
  • 8개 모델에 대한 40일 스트레스 테스트는 평균 롤링 5일 액션 카테고리 반복률이 95.2%에서 97.6% 사이였으며, 모든 모델이 11일차까지 90%를 넘었습니다.
  • 의미론적 유지 관리 분석은 직접 루프 실행 전반에 걸쳐 79.0%-88.0%의 매크로 테마 반복률을 드러냈습니다.
  • 동일한 런타임에서 수행된 40일 A/B 테스트에서는 컨텍스트 슬라이스 마스킹과 샘플별 발산 타겟팅을 적용하여 매크로 테마 반복률을 61.8%에서 36.3%로 낮추고 누적 테마 수를 약 두 배 증가시켰습니다.

이러한 결과는 통제된 발산을 증거 기반 흡수와 분리함으로써 페르소나-환경 자기 잠금을 줄이면서 정체성 연속성을 보존할 수 있다는 주장을 뒷받침합니다.