Zespół badawczy zaproponował Belief-Calibrated Optimization - metodę znacznie poprawiającą wydajność agentów AI poprzez sformalizowanie ich wewnętrznych założeń o działaniu środowiska. Tradycyjnie agenci kodujący działają poprzez iteracyjne edycje źródła na podstawie niejawnych wierzeń - założeń o tym, co poszło nie tak i jakie zmiany pomogą. Ta wiedza żyje tylko w rozumowaniu agenta na bieżącym kroku lub pozostaje ukryta w parametrach modelu, co oznacza, że kolejne iteracje nie mogą z niej korzystać.
BCO zmienia to podejście, pisząc te wierzenia jako trwały dokument kontekstowy i konsekwentnie go rewidując w miarę oceny nowych kandydatów. Powstały dokument stanowi jawny model świata - aktualne rozumienie tego, jak środowisko reaguje na edycje. Testy na pięciu benchmarkach pokazują wyraźną przewagę metody nad standardowym podejściem: lepsze wyniki zarówno na zbiorze treningowym, jak i na wszystkich ukrytych podziałach nie używanych do selekcji kandydatów.
Szczególnie interesujące jest to, że optymalizacja BCO pozostaje efektywna nawet po zamianie bazowego modelu na inny. Kiedy naukowcy zastąpili zamrożony model i przenieśli scaffold z BCO, dalej zajmował pierwsze miejsca na testowanych zadaniach, co sugeruje, że jawnie modelowana wiedza ma uniwersalną wartość niezależną od konkretnego LLM.