动察 Beating tarafından yapılan izlemeye göre, büyük model ajanları genellikle harici "donanımlarını" (Harness: ipuçları, bellek, beceriler ve araçlar) güncelleyerek kendi kendine evrimleşmektedir. Pennsylvania Eyalet Üniversitesi, UCSC ve Amazon gibi kurumlar tarafından yayınlanan en son makale
Buna karşılık, ajanların donanımdan faydalanma yeteneği "monoton olmayan" bir eğilim sergilemektedir. Üst düzey modellerin performansı neredeyse tavana vurmuşken, zayıf modeller (örneğin Qwen3-32B) en büyük iyileştirme potansiyeline sahip olmasına rağmen en az faydayı elde etmektedir. Araştırma, zayıf modellerde iki ana başarısızlık modu olduğunu belirtmektedir. Birincisi "donanım aktivasyon başarısızlığı": zayıf modellerin SkillsBench kıyaslamasında beceri yükleme oranı yalnızca %25,1 iken, güçlü modellerde bu oran yaklaşık %96'dır. İkincisi ise "donanıma uyum başarısızlığı": uzun süreli yürütme izleme süreci ilerledikçe, zayıf modellerin talimat uyum oranı, yüklemenin başlangıcındaki 0,52'den aniden 0,13'e düşmektedir.
Bu öncü bulgu, tanınmış AI araştırmacısı Elvis Sar'ın (@omarsar0) güçlü bir şekilde dikkatini çekmiştir. Elvis Sar, kodlama ajanları ve uzun süreli görev deneylerinde tamamen aynı olguyu gözlemlediğini belirtmiştir: daha güçlü modeller her zaman daha iyi ajanlar evrimleştiremez. Bu makale, ajan sistemi mimarisi tasarımı için önemli bir rehberlik sağlamakta ve hesaplama bütçesinin yürütücü ajana ayrılması gerektiğini, ajan eğitiminde ise donanımın kendi kendine aktivasyonu ve uzun süreli talimat uyum yeteneğinin güçlendirilmesine odaklanılması gerektiğini göstermektedir.
