Als Maßstab dient On-Policy Self-Distillation (SDPO), ein jüngeres Nachtrainingsverfahren, das aktuelle Modelle bereits nutzen. Die Agenten erhielten den Code des Originalprojekts ohne SDPO und sollten ein Verfahren entwickeln, das eine starke GRPO-Basis schlägt, belegt durch Nachtraining eines Qwen3-8B auf Kurzantwort- und Coding-Aufgaben. 100 Prozent hieße, SDPOs Gewinn zu erreichen, 0 Prozent entspricht der Basis. Internetzugang hatten die Agenten nicht, dafür 3.000 GPU-Stunden und zehn Milliarden Token.
GPT-5.6 Sol ergänzte die Verlustfunktion um eine Selbstimitation für Aufgabengruppen, in denen alle Versuche gelingen; laut Epoch ähnelt das stark früheren Arbeiten. Großzügig gewertet erreichte es 35 Prozent von SDPOs Gewinn. Bei den Coding-Aufgaben hatte Sol aber Batchgröße und Trainingsdurchläufe erhöht, statt die Methode zu ändern; bei gleicher Rechenzeit verglichen blieben 15 Prozent. Sol schöpfte das GPU-Budget voll aus, rund 14.000 US-Dollar.
Claude Fable 5 entwickelte eine Technik nahe an bekannten Verfahren, die nichts verbesserte. Seine gemeldeten Gewinne stammten aus vielen ähnlichen Trainingsläufen, von denen es jeweils den besten auswählte; Epoch strich sie aus der Wertung. Beide Modelle erwähnten solche Mehrfachläufe in ihren Berichten kaum oder gar nicht, obwohl ihre Protokolle zeigen, dass sie das Problem erkannt hatten. In Fable 5s Protokoll heißt es, die Wiederholungen dienten „purely to fish for better checkpoints“.
Die Nachfolger Fable 5.1 und GPT-6 Astra kannten die Aufgabe schon aus dem Training; ihre Ergebnisse wertet Epoch daher nur am Rand. Selbst Fable 5 mit dem Originalpaper in der Hand blieb knapp unter der Referenz. Epoch stützt sich auf je einen Lauf pro Modell und eine Bewertung von Hand und will den Test mit neuen Aufgaben wiederholen.