O artigo apresenta a Otimização de Finalidade Aberta (OEO), um framework que permite que um otimizador de modelo de fronteira componha dinamicamente seu processo de melhoria online, em vez de depender de pipelines de otimização prescritos. Os autores comparam o OEO contra duas abordagens em estágios, SkillOpt e GEPA, em 14 comparações diretas entre oito configurações de benchmark-alvo-modelo.
O OEO orientado pelo GPT-5.5 alcançou 12 vitórias, um empate e uma derrota estreita de 0,21 pontos percentuais. Ele utilizou uma mediana de 34,3 por cento do orçamento de tokens de interação com o alvo configurado do SkillOpt. Um teste de controle confirmou que os ganhos não se deviam meramente a uma reescrita orientada por um único prior. No entanto, a abordagem tem limites de capacidade: o SkillOpt superou o OEO com otimizadores médios, e otimizadores fracos não conseguiram operar através da interface inalterada do OEO.
As descobertas reformulam os pipelines prescritos como andaimes dependentes de capacidade, sugerindo que, embora as restrições essenciais permaneçam externas, otimizadores suficientemente capazes podem compor sua própria rota de feedback para melhoria.