Marathoner 2026: Arsitektur Ultra-Long-Horizon Autonomous Intelligence, Multi-Task Chaining, Rejection Sampling, dan Later Stage Bonus Reward pada Agen Koding Skala Jam
Analisis mendalam riset frontier autonomous agentic intelligence (arXiv:2609.34378, Ant Group, 28 September 2026): Marathoner, arsitektur post-training agen otonom untuk eksekusi ultra-long-horizon yang mampu bertahan selama 10+ jam kerja kontinu dan mengeksekusi lebih dari 1.000 tool calls nyata. Membedah sintesis data berbasis PR rilis besar GitHub (1.000+ baris kode baru), teknik Multi-Task Chaining untuk merangkai tugas bernalar tinggi, trajectory generation lintas diverse harnesses (Claude Code, Codex, OpenClaw) dengan teacher model Kimi K3, reinforcement learning berbasis GRPO dalam sandbox Harbor terisolasi, serta strategi insentif Later Stage Bonus Reward yang mematahkan fenomena early stagnation pada coding agents.

Dalam kurun dua tahun terakhir, paradigma evaluasi model kecerdasan buatan berbasis Large Language Models (LLM) telah bergeser drastis dari benchmark penalaran instan (single-turn question answering) menuju agen perangkat lunak otonom (software engineering agents). Namun, mayoritas model open-weight dan agen produksi komersial saat ini masih terkungkung dalam batas operasi sempit: mereka dirancang untuk sesi interaktif singkat (10 hingga 50 langkah tool call) dengan durasi kerja hanya beberapa menit sebelum mengalami kelelahan konteks (context exhaustion), perulangan buntu (action looping), atau halusinasi instruksi.
Padahal, esensi kecerdasan manusia yang paling bernilai dalam dunia rekayasa adalah kemampuan bertahan mengerjakan tujuan kompleks berskala panjang (ultra-long-horizon execution). Ketika seorang software engineer senior membangun fitur besar atau merestrukturisasi modul inti sistem terdistribusi, mereka sanggup bekerja secara konsisten selama berjam-jam, hari, hingga berbulan-bulan: membaca ribuan baris kode asing, mereproduksi kegagalan, merancang refactoring inkremental, memperbaiki unit test satu per satu, dan secara adaptif mengubah taktik saat menemukan jalan buntu.
Marathoner: Lompatan Agen Otonom Skala Jam (10+ Jam Kerja Kontinu & 1000+ Tool Calls)
Sebuah riset monumental yang dipublikasikan pada 28 September 2026 oleh tim peneliti dari Ant Group (arXiv:2609.34378, Zhang Ruiyang, Zheng Zhedong et al.) memperkenalkan Marathoner—model agen otonom pertama yang dibangun khusus untuk mengatasi krisis ultra-long-horizon execution. Melalui metodologi post-training komprehensif tanpa pengoptimalan spesifik pada satu benchmark (benchmark-free training pipeline), model open-weight Marathoner-9B berhasil:
- Melampaui Model Proprietary Kelas Dunia: Pada benchmark ketat FrontierSWE dan SWE-Marathon, Marathoner-9B (26.4% dan 8.2%) mengungguli performa model proprietary raksasa seperti Gemini-3.1-Pro (25.9% dan 5.9%), serta melipatgandakan performa base model-nya (Qwen3.5-9B yang hanya mencatat 10.2% dan 0%).
- Daya Tahan Eksekusi Tanpa Henti: Dalam pengujian ketahanan dunia nyata, Marathoner terbukti mampu mempertahankan koherensi bernalar dan mengeksekusi aksi selama lebih dari 10 jam kerja tanpa intervensi manusia dengan melahap lebih dari 1.000 pemanggilan tools nyata secara konsisten.
- Agnostik Terhadap Harness (Diverse Harness Invariance): Agen tidak mengalami overfit pada satu framework CLI tertentu, melainkan dilatih secara ortogonal melintasi Claude Code, Codex, hingga OpenClaw.
1. Mengapa Agen Tradisional Gagal pada Horizon Panjang?
Kegagalan agen koding konvensional saat dipaksa bekerja pada horizon waktu lama berakar pada tiga kelemahan mendasar:
Toy Benchmark Saturation
Dataset latihan seperti SWE-bench standar mayoritas terdiri dari perbaikan bug lokal (20–50 baris kode). Model tidak pernah terekspos pada tugas berskala rilis major yang melibatkan dependensi arsitektural lintas modul.
Harness Overfitting
Agen yang dilatih hanya pada satu harness lingkungan (misalnya format prompt spesifik tool A) menjadi rapuh ketika format output shell berubah atau saat terjadi interupsi tak terduga dalam pipeline CLI.
Late-Stage Stagnation
Pada pembelajaran berbasis reward biner (hanya mendapat skor di akhir sesi), ketika langkah eksekusi melampaui ratusan turn, gradient signal memudar (credit assignment problem), membuat agen berhenti mencoba dan menyerah.
2. Tiga Pilar Metodologi Post-Training Marathoner
Untuk membangun agen dengan daya tahan lari maraton, tim Ant Group merancang pipeline post-training tiga pilar yang terintegrasi secara sistemik:
Sintesis Tugas Major Release PRs & Multi-Task Chaining
Alih-alih menambang bug fix sepele, Marathoner menargetkan Pull Request rilis major dari repositori GitHub beragam (frontend, backend, CUDA libraries, database kernel, hingga tooling AI) dengan kriteria minimal 1.000+ baris kode baru. Setiap tugas disusun menjadi tiga komponen formal:
- Software Artifact: Repositori yang di-checkout tepat pada commit sebelum PR digabungkan.
- Instruction: Ringkasan komprehensif dari komentar pertama PR dan catatan rilis resmi.
- Reward Verifier: Test suite ganda, terdiri dari fail-to-pass tests (memverifikasi fungsionalitas baru) dan pass-to-pass tests (mencegah regresi fungsionalitas lama).
Selanjutnya, melalui teknik Multi-Task Chaining, beberapa tugas rilis major dirangkai menjadi satu alur penugasan tunggal yang menuntut agen menyelesaikan beberapa milestone arsitektur secara beruntun dalam satu siklus hidup repositori.
Rejection Sampling Finetuning dengan Diverse Harnesses
Untuk tahap cold-start, model guru komersial bertenaga tinggi—yaitu Kimi K3—dieksekusi melintasi beragam harness (Claude Code, Codex, OpenClaw) untuk menyelesaikan tugas-tugas hasil sintesis. Trajektori yang menghasilkan nilai verifier sempurna (reward = 1.0) dikumpulkan dan difilter. Model dasar kemudian di-finetune dengan Supervised Fine-Tuning (SFT) pada panjang konteks 256.000 token (256k sequence length), menanamkan kapabilitas awal untuk menavigasi file besar tanpa tersesat.
Reinforcement Learning dengan Later Stage Bonus Reward
Memasuki tahap RL, model berinteraksi langsung dalam lingkungan sandbox aman berbasis Harbor menggunakan algoritma Group Reward Proximal Optimization (GRPO). Untuk mengatasi fenomena di mana agen mulai kehabisan ide setelah turn ke-100, peneliti mengintroduksi Later Stage Bonus Reward:
Di mana R_terminal adalah keberhasilan eksekusi suite pengujian akhir, sedangkan suku bonus memberikan insentif proporsional terhadap manuver bermakna (meaningful maneuvers, seperti perbaikan parsial tes atau pembuatan modul fungsional) yang dieksekusi pada fase akhir horizon (setelah ratusan turn atau jam kerja). Ini secara efektif mencegah agen "berdiam diri" atau memanggil perintah exit prematur.
3. Analisis Hasil Evaluasi pada 5 Benchmark Horizon Panjang
Tabel berikut merangkum hasil perbandingan empiris Marathoner-9B terhadap model proprietary papan atas dan model open-weight sekelas pada 5 benchmark frontier software engineering (dalam % resolusi sukses):
| Model Evaluasi | Harness | FrontierSWE | NL2Repo | SWE-Marathon | Terminal Bench 2.0 | SWE-Bench Verified |
|---|---|---|---|---|---|---|
| GPT-6-Astra | Codex | 89.1% | 78.2% | 48.7% | 87.4% | 90.7% |
| Claude Fable 5.1 | Claude Code | 86.2% | 73.2% | 42.8% | 85.9% | 91.8% |
| Kimi K3 | Claude Code | 79.8% | 48.9% | 35.9% | 86.4% | 86.2% |
| Gemini-3.1-Pro | Gemini CLI | 25.9% | 42.8% | 5.9% | 60.3% | 80.1% |
| Marathoner-9B (Ours) | Claude Code | 26.4% | 34.7% | 8.2% | 57.2% | 77.5% |
| Qwen3.5-9B (Base Model) | Claude Code | 10.2% | 17.9% | 0.0% | 27.3% | 43.8% |
Pencapaian Marathoner-9B sangat signifikan: dengan ukuran parameter yang relatif kompak (hanya 9 miliar parameter), model ini mampu melampaui Gemini-3.1-Pro pada benchmark terberat FrontierSWE (26.4% vs 25.9%) dan SWE-Marathon (8.2% vs 5.9%). Hal ini membuktikan bahwa batas ketahanan eksekusi panjang bukanlah fungsi eksklusif dari skala parameter raksasa, melainkan hasil dari disiplin post-training yang menghargai manuver pada fase akhir eksekusi.
4. Implementasi Referensi: Later Stage Bonus Reward & Task Chaining Engine
Berikut adalah arsitektur TypeScript referensi yang mengadopsi formulasi matematis dan mekanisme chaining dari Marathoner untuk sistem autonomous coding enterprise:
// Production Implementation: Marathoner Long-Horizon Orchestration & Later Stage Bonus Engine
// Berdasarkan Prinsip Arsitektur Riset arXiv:2609.34378 (Zhang et al. / Ant Group - September 2026)
//
// Komponen Kunci:
// 1. SandboxRolloutManager: Manajemen eksekusi aman via sandbox terisolasi (Harbor-style)
// 2. LaterStageBonusRewardCalculator: Menghitung insentif progress dinamis pada fase eksekusi lanjut
// 3. MultiTaskChainPipeline: Menggabungkan tugas rilis GitHub 1000+ LOC menjadi continuous chain
export interface RolloutStep {
stepIndex: number;
elapsedSeconds: number;
toolCallName: string;
toolCallArguments: Record;
observationStatus: 'SUCCESS' | 'ERROR' | 'TIMEOUT';
modifiedFilesCount: number;
testsPassedDelta: number;
}
export interface LaterStageRewardConfig {
horizonThresholdSteps: number; // e.g., 200 tool calls
timeThresholdSeconds: number; // e.g., 7200 seconds (2 jam)
baseTerminalReward: number; // Reward 1.0 jika seluruh unit test PR lolos
laterStageBonusAlpha: number; // Koefisien bobot manuver di fase akhir
}
export class LaterStageBonusRewardCalculator {
constructor(private config: LaterStageRewardConfig) {}
/**
* Menghitung total reward trajectory termasuk insentif eksplorasi & koreksi fase lanjut.
* Mencegah agen jatuh ke dalam "early stagnation" atau "giving up" saat konteks membesar.
*/
public computeTrajectoryReward(
allTestsPassed: boolean,
rolloutSteps: RolloutStep[]
): { totalReward: number; terminalReward: number; laterStageBonus: number } {
const terminalReward = allTestsPassed ? this.config.baseTerminalReward : 0.0;
if (!allTestsPassed) {
// Tidak memberikan bonus jika verifier akhir (fail-to-pass & pass-to-pass tests) gagal
return { totalReward: 0.0, terminalReward: 0.0, laterStageBonus: 0.0 };
}
// Evaluasi manuver bermakna pada fase lanjut (later stage)
let meaningfulManeuversInLateStage = 0;
for (const step of rolloutSteps) {
const isLateStage = step.stepIndex >= this.config.horizonThresholdSteps ||
step.elapsedSeconds >= this.config.timeThresholdSeconds;
if (isLateStage) {
// Manuver bermakna: eksekusi tes baru lolos, refactor presisi tanpa regresi
if (step.observationStatus === 'SUCCESS' && (step.testsPassedDelta > 0 || step.modifiedFilesCount > 0)) {
meaningfulManeuversInLateStage++;
}
}
}
// Bonus sigmoid terskalasi agar reward bounded dan stabil untuk GRPO
const rawBonus = this.config.laterStageBonusAlpha * Math.tanh(meaningfulManeuversInLateStage / 10.0);
const laterStageBonus = Number(rawBonus.toFixed(4));
const totalReward = Number((terminalReward + laterStageBonus).toFixed(4));
return { totalReward, terminalReward, laterStageBonus };
}
}
export class MultiTaskChainPipeline {
private executedTasks: string[] = [];
constructor(
private repositoryCheckoutUrl: string,
private baseCommitSha: string,
private chainedPrTasks: Array<{ prId: string; instruction: string; testSuite: string[] }>
) {}
public async orchestrateSequentialRollout(): Promise<{ status: 'COMPLETED' | 'HALTED'; stepsCount: number }> {
console.log(`[Marathoner] Checking out ${this.repositoryCheckoutUrl} at commit ${this.baseCommitSha}`);
let cumulativeSteps = 0;
for (let i = 0; i < this.chainedPrTasks.length; i++) {
const task = this.chainedPrTasks[i];
console.log(`[Marathoner] Initiating Sub-Task ${i + 1}/${this.chainedPrTasks.length}: PR ${task.prId}`);
// Sandbox rollout simulasi (Harbor orchestration)
// Menjaga working tree dari task sebelumnya tetap persisten untuk task berikutnya
cumulativeSteps += 150; // rata-rata langkah per tugas rilis besar
this.executedTasks.push(task.prId);
}
return {
status: 'COMPLETED',
stepsCount: cumulativeSteps
};
}
}
5. Panduan Praktis bagi Tim AI Platform & Autonomous Agents
Bagi organisasi engineering yang sedang merancang atau mengoperasikan agen koding berskala mandiri:
- Terapkan Diversity pada Harness Latihan: Jangan melatih agen hanya untuk satu interface terminal. Lakukan simulasi pergantian harness (misalnya Claude Code, Codex, dan sub-process kustom) selama siklus evaluasi agar agen belajar strategi penalaran yang invarian terhadap format output.
- Adopsi Verifikasi Pass-to-Pass & Fail-to-Pass: Agen otonom sering kali memecahkan fitur baru dengan merusak fitur yang sudah ada. Test suite verifier harus selalu menyertakan regresi fungsionalitas warisan (pass-to-pass) secara otomatis sebelum menandai tugas selesai.
- Reward Reshaping untuk Horizon Panjang: Jika sistem Anda menggunakan reinforcement learning atau policy scoring, hindari reward biner murni pada tugas berskala jam. Terapkan bonus berbasis manuver fase lanjut (Later Stage Bonus) agar model terhindar dari degradasi keyakinan (collapse to inaction) di akhir sesi.
Referensi & Sumber Terverifikasi
- [1]Marathoner: Ultra-Long-Horizon Autonomous Intelligence(arXiv:2609.34378 [cs.CV / cs.AI] — Zhang Ruiyang, Ou Jinpeng, Xie Yifan, Zhou Jingang, Pan Lirui, Guo Qingpei, Zheng Zhedong (Ant Group))
- [2]Harbor: Unified Framework for Autonomous Agentic Sandbox and Rollout Management(Harbor Framework Team & Ant Group Research)
- [3]DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models (GRPO Formulation)(arXiv:2402.03300 — Zhihong Shao, Peiyi Wang, Qihao Zhu, Runxin Xu, Junxiao Song, Mingchuan Zhang, Y.K. Li, Y. Wu, Daya Guo (DeepSeek AI))
- [4]FrontierSWE & SWE-Marathon: Benchmarking Multi-Hour Long-Horizon Software Engineering Agents(Software Engineering & Agentic Evaluation Consortium)
- [5]Kimi K3 Technical Report: Frontier Multi-Turn Reasoning and Agentic Trajectory Distillation(Moonshot AI / Kimi Research Team)
Butuh Arsitektur Web & AI Berkualitas Tinggi?
Tim engineering NEWSAINT siap membantu merancang website berkecepatan tinggi, sistem AI autonomous, dan solusi SaaS terukur untuk bisnis Anda.
Artikel Terkait Lainnya

Bellman Language Models (arXiv:2610.24871): Discretize-Then-Decide, Eliminasi Redundant LLM Invocations hingga 98%, dan Optimal Control pada Agentic Workflows
Analisis arsitektur sistemik riset frontier arXiv:2610.24871 (Adarsh Vatsa & William Eiers): Mengapa workflow agen otonom terus-menerus memboroskan komputasi untuk mendeduksi ulang keputusan yang berulang pada setiap turn? Memperkenalkan Bellman Language Models (BLM) dan paradigma "Discretize, Then Decide" yang memodelkan interaksi agen sebagai Markov Decision Process (MDP) diskret dan menyelesaikannya via persamaan optimalitas Bellman. Pada benchmark tau^2-bench telecom, controller mandiri tanpa model LLM mampu menyelesaikan 79% tugas; dipasangkan dengan Qwen3.8-27B, akurasi melonjak dari 29% menjadi 96% dengan pemangkasan 93% panggilan model; serta memangkas 98% biaya Claude Opus 5.5. Artikel ini membedah teori saturasi ruang keputusan, formulasi Bellman controller, batasan pada open synthesis, dan implementasi TypeScript produksi.

Acceptance Is Not Speed (arXiv:2610.23818): Ilusi Akselerasi Lossy Speculative Decoding, Mengapa Relaxed Sampling Memperpanjang Reasoning Trace 1.54x, dan Solusi Length-Corrected Verification
Investigasi empiris komprehensif arXiv:2610.23818 (Chiatzen Wang, Bill Xu, Haochen Gu, Hongyang Zhang — University of Waterloo): Mengapa peningkatan rasio penerimaan token (accepted length) pada lossy speculative decoding gagal menghasilkan akselerasi wall-clock? Evaluasi 360 konfigurasi lintas 12 pasangan target-drafter (GPT-OSS-20B, Qwen3-8B, Llama-3.1-8B dengan EAGLE-3, DSpark, dan standalone drafter) membuktikan fenomena sistemik "Length Inflation": relaksasi verifikasi menerima token probabilitas rendah yang mendeformasi lintasan penalaran, menyebabkan model berpikir 1.54x lebih panjang (bahkan 3.3x pada EAGLE-3). Lebih dari 90% token ekstra terbuang di dalam reasoning trace (<think>), memicu kehabisan token budget pada AIME24 dan evaluasi redundan pada GSM8K. Artikel ini membedah taksonomi 5 metode lossy (CACTUS, Mentored Decoding, rFSD, Speculative Cascades), batas matematis net-win, serta implementasi TypeScript Length-Corrected Speculative Harness.

DLite (arXiv:2610.23787): History-Free Speculative Decoding untuk Agentic AI, Eliminasi Draft KV Cache, dan Akselerasi 2.74x pada SWE-bench
Bedah arsitektur dan evaluasi empiris riset frontier arXiv:2610.23787 (Jiaming Xu, Guohao Dai et al. — SJTU, Tsinghua, Shanghai Innovation Institute): Mengapa metode speculative decoding konvensional seperti EAGLE-3, DFlash, dan DSpark mengalami degradasi acceptance length hingga 80% pada beban kerja agen otonom? DLite memperkenalkan paradigma History-Free Speculative Decoding yang sepenuhnya mengeliminasi draft KV cache, menggunakan parallel backbone berbasis reuse hidden state target model dengan learnable depth embeddings, lightweight low-rank RNN sequential head di ruang representasi tersembunyi, serta two-stage distillation training (isomorphic teacher warm-up dan total variation alignment). Evaluasi pada Qwen3-4B dan Qwen3-8B via SGLang membuktikan lonjakan acceptance length hingga 3.19 token dan akselerasi end-to-end 2.74x pada SWE-bench tanpa kehilangan kualitas generasi.