การพัฒนาโมเดลภาษาขนาดใหญ่ในปัจจุบันเริ่มประสบปัญหาการขาดแคลนข้อมูลจริง และต้องพึ่งพาข้อมูลสังเคราะห์มากขึ้น อย่างไรก็ตาม การสร้างข้อมูลสังเคราะห์มักไม่ตรงจุดกับสิ่งที่โมเดลต้องการเรียนรู้จริง นักวิจัยจึงเสนอ EvoSyn ซึ่งเป็นเฟรมเวิร์กแบบ Multi-Agent ที่จัดระเบียบการสร้างข้อมูลตามผลตอบรับ (Feedback) จากตัวโมเดลผู้เรียนเอง
ระบบนี้ประกอบด้วย 'Designer' ทำหน้าที่ระบุทิศทาง และ 'Planner' ทำหน้าที่สร้างประสบการณ์ที่รันได้จริง โดย EvoSyn สามารถปรับตัวและขยายขอบเขตการสร้างข้อมูลไปยังจุดที่โมเดลยังอ่อนแอหรือไม่เคยเจอมาก่อน ผลการทดสอบพบว่าช่วยเพิ่มอัตราความสำเร็จของงาน (Task Success) ได้ถึง 13.3 จุด เมื่อเทียบกับวิธีการเดิม
