本文介绍了开放式优化（OEO），这是一种框架，允许前沿模型优化器在线动态组合其改进流程，而非依赖预设的优化流水线。作者将OEO与两种分阶段方法SkillOpt和GEPA进行了比较，在八个基准-目标-模型设置下进行了14次直接对比。

由GPT-5.5驱动的OEO取得了12场胜利、一次平局和一次以0.21个百分点的微弱劣势落败。它仅使用了SkillOpt配置的目标交互token预算的中位数34.3%。一项控制测试证实，这些收益并非仅仅源于单次基于先前的重写。然而，该方法存在能力边界：在中等优化器上，SkillOpt的表现优于OEO，而弱优化器无法通过未更改的OEO接口进行操作。

研究结果将预设流水线重新定义为依赖于能力的脚手架，表明虽然必要的约束仍然来自外部，但具备足够能力的优化器可以自行组合从反馈到改进的路径。