Zespół badawczy opracował ClawLoop, framework umożliwiający samoulepszanie agentów LLM-opartych bez udziału zewnętrznego modelu nauczyciela. Stanowi to znaczące odejście od obecnych metod post-treningowych, które najczęściej działają w jednym kroku i uzależniają postęp od możliwości silniejszego modelu zewnętrznego syntetyzującego zadania i zbierającego trajektorie.
Centralnym elementem ClawLoop jest samonapędzająca się pętla trzech faz. W fazie Task Synthesis system generuje zróżnicowany zbiór zadań treningowych za pomocą dwóch komplementarnych procedur konstrukcji, stosując warunkowany diagnozą wzrost trudności oraz walidację zadań zarówno niezależną od agenta, jak i agenta-bazowaną. Następnie faza Training aktualizuje agenta poprzez Supervised Fine-Tuning i/lub Reinforcement Learning. Wreszcie faza Diagnosis and Feedback analizuje zachowania agenta podczas rolloutów w celu wyprodukowania raportu analizy zdolności, który zasilany jest z powrotem do syntezy zadań w następnej iteracji.
Metodologia jest szczególnie ważna dla agentów działających w harness environments - sandboxowych przestrzeniach roboczych, gdzie modele mogą bezpośrednio interagować z systemem plików i powłokami poleceń. Dotychczasowe podejścia pozostawały ograniczone możliwościami modelu nauczyciela i zakresem przyporządkowanej przez człowieka wcześniejszej wiedzy. ClawLoop eliminuje te ograniczenia, umożliwiając organiczny wzrost zdolności agenta poprzez niezależną pętlę doskonalenia.