이 논문은 반복적 정책 개선(GPI)과 재귀적 자기개선(RSI)을 하나의 학습 패러다임 안에서 설명하는 형식적 프레임워크 'GAI(Generalized Agent Iteration)'를 제안한다. GAI는 에이전트를 수정 가능한 구성요소들의 집합으로 정의하고, 학습 과정을 평가와 개선의 반복 주기로 모델링한다. 개선 메커니즘이 에이전트 내부에 있는지, 평가 기준이 에이전트 외부에 근거하는지라는 두 축으로 GPI와 RSI의 경계, 그리고 시스템이 '고정형', '목표 이탈형', '완전 자기참조형' 중 어디에 해당하는지를 구분한다. 저자들은 이 두 축을 기준으로 기존 시스템들을 배치해 비교 가능하게 하고, 재귀적 자기개선의 결함을 하나씩 명시적으로 진술할 수 있는 토대를 제공한다고 밝혔다.

• •GAI는 반복적 정책개선(GPI)과 재귀적 자기개선(RSI)을 하나의 프레임워크로 통합해 설명한다.
• •에이전트를 수정 가능한 구성요소 집합으로 정의하고 학습을 평가-개선의 반복 주기로 모델링한다.
• •개선 메커니즘의 내부/외부 여부와 평가 기준의 근거 위치라는 두 축으로 시스템 유형을 구분한다.
• •이 좌표계로 기존 시스템들을 비교 가능하게 배치하고 RSI의 결함을 명시적으로 논할 토대를 제공한다.