Cet article présente des recherches sur une technique de conversion multi-tours en tour unique (M2S) qui condense les activités répétitives de l'équipe rouge en une seule invite structurée. Contrairement aux études précédentes qui s'appuyaient sur quelques modèles manuscrits, cet article propose le cadre M2S évolutif X-Teaming, qui découvre et optimise automatiquement les modèles M2S à l'aide d'un algorithme évolutionnaire basé sur un modèle de langage (LLM). Il utilise un échantillonnage intelligent provenant de 12 sources et un LLM inspiré de StrongREJECT comme critère, ce qui produit un journal entièrement auditable. Après cinq générations évolutives, avec un seuil de réussite de 0,70, nous obtenons un taux de réussite global de 44,8 % (103 sur 230) sur deux nouvelles familles de modèles et GPT-4.1. Grâce à 2 500 évaluations inter-modèles, nous démontrons que les améliorations structurelles sont transférables, mais varient selon les modèles cibles. Nous avons constaté une corrélation positive entre la longueur des invites et les scores, soulignant l'importance d'une évaluation attentive à la longueur. Le code source, la configuration et les résultats sont disponibles sur GitHub.
