最近の研究では、自己コードベースを編集するコーディングエージェントを用いて、自己改善を実装している。これらのエージェントは、ソフトウェアエンジニアリングベンチマークの性能を高める方向を優先する拡張戦略を通じて、自己修正の木構造を構築する。その前提として、より高いベンチマーク性能は、その後の自己修正の可能性が高まることを示唆すると仮定している。しかし、本研究では、エージェントの自己改善潜在力（メタ生産性）とそのコーディングベンチマーク性能の間には不一致が生じていることを指摘する。すなわち、メタ生産性-性能不一致（Metaproductivity-Performance Mismatch）である。ハクスリーの「クレード（clade）」概念に着想を得て、エージェントの子孫のベンチマーク性能を統合する指標（）を提案する。本研究では、自己改善型コーディングエージェントの開発環境において、真のの値にアクセスできれば、特定の仮定の下でゲーデルマシン（Gödel Machine）の振る舞いをシミュレートすることが可能であることを示す。そこで、を推定し、その推定値を指針として用いることで、自己修正の木構造を探索する「ハクスリー・ゲーデルマシン（Huxley-Gödel Machine, HGM）」を導入する。SWE-bench VerifiedおよびPolyglotのベンチマークにおいて、HGMは従来の自己改善型コーディングエージェント開発手法を上回る性能を発揮しつつ、割り当てられたCPU時間も削減している。さらに、HGMは他のコーディングデータセットや大規模言語モデルへの汎化能力も高い。GPT-5-miniでSWE-bench Verified上で最適化されたエージェントは、GPT-5でSWE-bench Lite上で評価された結果、人間レベルの性能を達成し、人間が設計したエージェントの公式に検証された最高成績と同等の結果を示した。