В статье представлена открытая оптимизация (OEO) — фреймворк, позволяющий оптимизатору передовой модели динамически формировать свой процесс улучшения в режиме онлайн, вместо того чтобы полагаться на предписанные конвейеры оптимизации. Авторы сравнивают OEO с двумя поэтапными подходами, SkillOpt и GEPA, в рамках 14 прямых сравнений для восьми конфигураций наборов данных, целевых моделей и моделей.
OEO под управлением GPT-5.5 одержал 12 побед, один раз сыграл вничью и один раз проиграл с минимальным отставанием в 0,21 процентного пункта. Он использовал медианный объем в 34,3 процента от целевого бюджета токенов взаимодействия SkillOpt. Контрольный тест подтвердил, что преимущества обусловлены не просто переписыванием на основе одного предыдущего опыта. Однако у подхода есть границы возможностей: SkillOpt превосходил OEO со средними оптимизаторами, а слабые оптимизаторы не могли функционировать через неизменный интерфейс OEO.
Полученные результаты переосмысливают предписанные конвейеры как зависящую от возможностей структуру, предполагая, что хотя существенные ограничения остаются внешними, достаточно мощные оптимизаторы могут самостоятельно формировать путь от обратной связи к улучшению.