ทีมนักวิจัยได้นำเสนอเฟรมเวิร์กชื่อ Hybrid Open-Ended Tri-Evolution (HOTE) เพื่อแก้ไขข้อจำกัดของ AI Agent ในการทำงานวิจัยเชิงลึก (Deep Research) ซึ่งมักติดขัดกับความสามารถที่คงที่และไม่สามารถปรับตัวตามสภาพแวดล้อมที่เปิดกว้างได้ โดย HOTE จะใช้ระบบการเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) โหมดผสม เพื่อกระตุ้นการวิวัฒนาการร่วมกันของสามส่วนประกอบหลัก ได้แก่ ตัวเสนอ (Proposer), ตัวแก้ปัญหา (Solver) และตัวตัดสิน (Judge)
จากผลการทดสอบกับโมเดลขนาด 8B พบว่าโมเดลที่ฝึกด้วย HOTE มีประสิทธิภาพเหนือกว่าโมเดลขนาดใหญ่ (8-32B) ทั่วไปในภารกิจการวิจัยที่ซับซ้อนและใช้เวลาน้อยลงในการประมวลผล ข้อมูลจากการทดลองยืนยันว่าการที่ทั้งสามโมดูลทำงานร่วมกันและวิวัฒนาการไปพร้อมกันเป็นปัจจัยสำคัญที่ทำให้ AI สามารถรวบรวมและวิเคราะห์ข้อมูลจากแหล่งความรู้ระดับเว็บสเกลได้อย่างมีประสิทธิภาพ
