NS
NEWSAINT
ai-eng• 8 MIN READ•12 Oktober 2026

RATED (arXiv:2610.13889): Reliability-Aware AI Agent Tool Retrieval via Execution Dynamics, EcoAgent Benchmark 5.172 Tools, dan Solusi 2.9% Fault Selection Rate di Bawah Pemadaman API Ekstrem

Analisis arsitektur sistemik riset ACM CIKM 2026 / arXiv:2610.13889 (Weiliang Chen & Song Liao): Mengapa pendekatan tool retrieval semantik konvensional (seperti OpenAI Ada-002, BGE-M3, ToolLLM, atau SPLADE-v3) mengalami degradasi katastropik saat tool atau API mengalami kegagalan runtime? Framework RATED memadukan frozen dual-encoder DRAGON dengan contrastive fine-tuning dan modul contextual bandit (Discounted LinUCB) yang mengadaptasi ranking secara real-time dari feedback eksekusi biner. Pada benchmark EcoAgent (5.172 tool nyata dan 210.000 query-tool pairs), RATED mencatat peningkatan MRR relatif +52.2% di atas ToolLLM API retriever, memangkas Fault Selection Rate dari 86.2% menjadi 2.9% di tengah skenario pemadaman API 30%, serta mempertahankan latensi overhead ultra-rendah di bawah 0.2 ms.

N
Ervareza Naurian Novantila
Lead Architect & Founder NEWSAINT
Fact-Checked & Verified
Ilustrasi Arsitektur Teknis 16:9 RATED (arXiv:2610.13889): Reliability-Aware AI Agent Tool Retrieval via Execution Dynamics, EcoAgent Benchmark 5.172 Tools, dan Solusi 2.9% Fault Selection Rate di Bawah Pemadaman API Ekstrem
Executive Architectural Summary — ACM CIKM 2026 / arXiv:2610.13889

Riset frontier dari ACM International Conference on Information and Knowledge Management (CIKM 2026, Weiliang Chen & Song Liao, arXiv:2610.13889) mengungkap kelemahan fatal pada sistem orkestrasi AI Agent: kebutaan semantik terhadap dinamika keandalan eksekusi alat (tool availability). Retriever kontemporer (seperti OpenAI Text-Embedding Ada-002, BGE-M3, SPLADE-v3, dan ToolLLM API retriever) hanya mencocokkan kemiripan teks kueri pengguna dengan deskripsi API, sehingga saat API target mengalami outage, rate-limiting, atau kegagalan internal, agen terus memilih tool yang rusak berulang kali (menghasilkan Fault Selection Rate hingga 86.2%). Memperkenalkan RATED (Reliability-Aware Tool Retrieval via Execution Dynamics): arsitektur retrieval dua tahap terpisah (decoupled two-stage) yang menggabungkan frozen dual-encoder DRAGON dengan Discounted LinUCB Contextual Bandit dan Tri-Signal Static Reliability Prior. Dievaluasi pada EcoAgent Benchmark (5.172 tool nyata dari LangChain, CrewAI, LlamaIndex, dan n8n), RATED mencatat lonjakan MRR relatif +52.2% di atas ToolLLM API retriever, mereduksi Fault Selection Rate dari 86.2% menjadi 2.9% saat terjadi outage API 30%, dengan penambahan latensi inferensi ultra-rendah di bawah 0.18 ms.

1. Masalah Utama: "Blind Spot" Semantik Statis dan Kegagalan Eksekusi Runtime Agen AI

Seiring berkembangnya ekosistem LLM berbasis agen yang terintegrasi dengan ribuan REST API eksternal (Tool-Use / Function Calling), bottleneck terbesar dalam keandalan agen bergeser dari kapasitas penalaran model menuju akurasi pengambilan alat (tool retrieval).

Secara tradisional, pencarian tool dirumuskan sebagai masalah IR (Information Retrieval) statis menggunakan kesamaan semantik vektor:

Ssem(q, a) = eq⊤ ea

Namun, di lingkungan produksi nyata (production environments), tool bukanlah dokumen pasif yang selalu tersedia. Tool adalah endpoint dinamis yang rentan terhadap:

  • Down-time & 5xx Server Errors: Server penyedia pihak ketiga mati atau mengalami crash.
  • Credential Invalidation & Auth Expiry: Token OAuth atau API key kadaluwarsa di tengah sesi panjang.
  • Rate Limiting (429 Too Many Requests): Kuota pemanggilan habis saat beban traffic tinggi.
  • Schema Drift & Deprecation: Struktur payload input berubah tanpa pembaruan deskripsi OpenAPI yang sinkron.

Ketika kegagalan ini terjadi, retriever semantik statis tetap memberikan skor kecocokan tertinggi untuk alat yang rusak karena deskripsi semantiknya tetap relevan 100%. Agen pun terjebak dalam catastrophic retry loops, memboroskan token LLM, dan menggagalkan seluruh alur kerja otonom.

2. Benchmark EcoAgent: 5.172 Tools Nyata Lintas 4 Framework Utama

Guna mengevaluasi perilaku retrieval di bawah ketidakpastian operasional nyata, para peneliti menyusun EcoAgent Benchmark yang mengagregasikan 5.172 definisi tool nyata dari empat platform open-source terkemuka:

LangChain Tools
1.840 APIs

Integrasi utilitas cloud, web scraping, dan parsial SDK.

CrewAI Ecosystem
1.215 APIs

Toolset multi-agent kolaboratif dan otomasi tugas terdistribusi.

LlamaIndex Hub
1.180 APIs

Data connectors, vector index queries, dan ingestion pipelines.

n8n Node Registry
937 Workflows

Webhook integrations, CRM actions, dan database connectors.

Benchmark ini dibagi menjadi dua subset komplementer:

  • EcoAgent-Syn (69.501 kueri sintetik): Dihasilkan menggunakan Gemma-3-1b dengan hard negatives dari SBERT untuk melatih modul semantik agar kebal terhadap korelasi palsu.
  • EcoAgent-Real (210.000+ pasangan query-tool): Kueri dunia nyata dengan protokol pengujian kegagalan terinjeksi (injected failure rate 20% dan 30%) untuk menguji daya tahan terhadap pemadaman sistem.

3. Dekonstruksi Arsitektur RATED: Two-Stage Decoupled Hybrid System

Solusi yang ditawarkan RATED memisahkan secara tegas dua tanggung jawab komputasi:

  1. Tahap 1 — Semantic Perception Module: Menggunakan arsitektur DRAGON Dual-Encoder (fQ untuk query, fT untuk tool documentation) yang telah di-fine-tune secara contrastive. Model ini menghasilkan representasi CLS ternormalisasi L2. Encoders di-freeze sepenuhnya saat deployment, memungkinkan penambahan tool baru hanya dengan mengekstrak embedding dokumentasi tanpa melatih ulang model.
  2. Tahap 2 — Reliability-Aware Re-ranking: Mengambil top-K kandidat (K = 10) dari Tahap 1, lalu melakukan re-ranking dinamis menggunakan kombinasi Tri-Signal Static Prior dan Discounted LinUCB Contextual Bandit berbasis umpan balik eksekusi runtime biner yt ∈ {0, 1}.

4. Formulasi Matematis: Tri-Signal Static Prior & Discounted LinUCB

Untuk mengatasi masalah cold-start pada tool baru yang belum memiliki riwayat eksekusi, RATED mendefinisikan Static Reliability Prior dari metadata katalog:

rstatic(a) = λ1 rcons(a) + λ2 wsrc(a) + λ3 rqual(a)

Di mana λ1 = 0.5, λ2 = 0.3, λ3 = 0.2. Komponen rcons(a) mengukur cosine similarity antara embedding nama tool dan deskripsinya, wsrc memberi bobot kredibilitas repositori sumber, dan rqual memetakan panjang dokumentasi melalui fungsi logistik.

Saat eksekusi berlangsung, preferensi alat diperbarui secara real-time via Discounted LinUCB dengan representasi kovarian diagonal untuk komputasi O(d):

Sbandit(xt, a) = θa⊤ xt + α √(xt⊤ Aa-1 xt)

Skor akhir kemudian disintesis melalui formula Hybrid Fusion:

Sfinal(qt, a) = w1 Ssem(qt, a) + w2 Sbandit(xt, a) + w3 rstatic(a)

Berdasarkan penyetelan grid sweep pada validation set, konfigurasi optimal tercapai pada w1 = 0.75, w2 = 0.15, w3 = 0.10 dengan faktor diskon non-stasioner γ = 0.95 dan koefisien eksplorasi α = 0.10.

5. Hasil Empiris & Analisis Benchmark Komparatif

Tabel berikut merangkum metrik performa retrieval pada EcoAgent-Syn dan EcoAgent-Real di bawah kondisi normal dan pengujian stress-test kegagalan API:

Arsitektur Retrieval MRR (Syn) Recall@1 (Syn) MRR (Real) FSR (Outage 20%) FSR (Outage 30%) Post-Fail SR
BM25 Baseline 0.235 0.178 0.169 88.4% 92.1% 11.2%
ToolLLM API Retriever 0.724 0.666 0.406 82.4% 86.2% 22.4%
OpenAI Ada-002 0.790 0.736 0.670 79.1% 84.5% 24.1%
SPLADE-v3 Sparse 0.754 0.689 0.626 76.8% 81.9% 26.5%
DRAGON (Pretrained) 0.751 0.690 0.518 18.6% 21.2% 45.7%
RATED (Full Architecture) 0.845 0.804 0.618 (+52.2% vs ToolLLM) 2.5% 2.9% (-30x vs ToolLLM) 82.8%

Temuan utama dari hasil empiris ini mencakup:

  • Pemisahan Semantik dan Reliabilitas Mutlak Diperlukan: Model dengan skor offline tinggi seperti Ada-002 dan SPLADE-v3 sama sekali tidak berdaya saat alat runtime down, terus merekomendasikan tool mati pada 84%+ kasus.
  • Reduksi FSR 30x Lipat: RATED Full memangkas rasio pemilihan tool rusak dari 86.2% menjadi 2.9%, mengamankan tingkat penyelesaian tugas (Post-Fail Success Rate) di angka 82.8%.

6. Analisis Latensi & Efisiensi Komputasi

Salah satu argumen klasik penolakan adaptasi online pada agent loops adalah latensi komputasi. RATED membuktikan bahwa pendekatan bandit terdekupel memiliki profil latensi yang luar biasa efisien:

DRAGON Encode Only
3.223 ms

Latensi inferensi embedding murni tanpa adaptasi umpan balik runtime.

RATED (Full Architecture)
3.395 ms

Hanya menambah +0.172 ms overhead berkat representasi kovarian diagonal O(d).

Batch Policy Updates (ToolRL)
17.839 ms

+14.6 ms overhead akibat sinkronisasi gradien berkala dan lock parameter.

7. Implementasi Produksi: TypeScript Engine untuk RATED Runtime Adapter

Berikut adalah implementasi referensi modul koordinasi RATED berbasis TypeScript yang mengintegrasikan registrasi tool, evaluasi static prior, re-ranking LinUCB, dan pembaruan umpan balik eksekusi:

// Production Implementation: RATED Runtime Execution Engine & Contextual Bandit Adapter
// Mengimplementasikan Two-Stage Decoupled Retrieval, Tri-Signal Static Prior,
// Discounted LinUCB Online Re-ranking, dan Feedback Dynamic Updates
// Berdasarkan formulasi formal arXiv:2610.13889 (ACM CIKM 2026)

export interface ToolMetadata {
  id: string;
  name: string;
  description: string;
  platform: 'official' | 'langchain' | 'crewai' | 'llamaindex' | 'n8n' | 'custom';
  tags: string[];
}

export interface ToolExecutionContext {
  queryEmbedding: number[]; // e_q \in R^d
  selectedToolId: string;
  executionSuccess: boolean; // y_t \in {0, 1}
  timestamp: number;
}

export interface BanditArmState {
  A_diag: number[]; // Diagonal covariance matrix representation for O(d) scoring
  b_vec: number[];  // Bias vector b_a \in R^d
  usageCount: number;
  lastExecutedTimestamp: number;
}

export interface RATEDConfig {
  d_dim: number;               // Embedding dimension (default: 768 for DRAGON)
  topKCandidates: number;      // K candidate pool from semantic retrieval (default: 10)
  discountFactorGamma: number; // \gamma: discount factor for non-stationary outage recovery (default: 0.95)
  explorationAlpha: number;    // \alpha: exploration trade-off coefficient (default: 0.10)
  weights: {
    w1_semantic: number;       // w1: Semantic similarity weight (default: 0.75)
    w2_bandit: number;         // w2: Online contextual bandit score weight (default: 0.15)
    w3_static: number;         // w3: Metadata static prior weight (default: 0.10)
  };
  staticPriorLambdas: {
    lambda1_cons: number;      // \lambda1: Name-description consistency (default: 0.50)
    lambda2_source: number;    // \lambda2: Source platform credibility (default: 0.30)
    lambda3_quality: number;   // \lambda3: Documentation length quality (default: 0.20)
  };
}

export class RATEDExecutionEngine {
  private config: RATEDConfig;
  private arms: Map = new Map();
  private staticPriors: Map = new Map();

  constructor(config?: Partial) {
    this.config = {
      d_dim: config?.d_dim ?? 768,
      topKCandidates: config?.topKCandidates ?? 10,
      discountFactorGamma: config?.discountFactorGamma ?? 0.95,
      explorationAlpha: config?.explorationAlpha ?? 0.10,
      weights: {
        w1_semantic: config?.weights?.w1_semantic ?? 0.75,
        w2_bandit: config?.weights?.w2_bandit ?? 0.15,
        w3_static: config?.weights?.w3_static ?? 0.10,
      },
      staticPriorLambdas: {
        lambda1_cons: config?.staticPriorLambdas?.lambda1_cons ?? 0.50,
        lambda2_source: config?.staticPriorLambdas?.lambda2_source ?? 0.30,
        lambda3_quality: config?.staticPriorLambdas?.lambda3_quality ?? 0.20,
      },
    };
  }

  /**
   * 1. Inisialisasi Static Reliability Prior r_static(a)
   * Formula Eq. (4) & (5):
   * r_cons = cos(f_Enc(name), f_Enc(desc))
   * r_static = lambda1 * r_cons + lambda2 * w_src + lambda3 * r_qual
   */
  public registerTool(tool: ToolMetadata, nameDescCosine: number): void {
    const { lambda1_cons, lambda2_source, lambda3_quality } = this.config.staticPriorLambdas;

    // Platform credibility weight w_src
    const sourceWeights: Record = {
      official: 1.0,
      langchain: 0.9,
      crewai: 0.9,
      llamaindex: 0.9,
      n8n: 0.8,
      custom: 0.6,
    };
    const w_src = sourceWeights[tool.platform] ?? 0.6;

    // Documentation quality r_qual (logistic scaling based on normalized length)
    const normLen = Math.min(1.0, tool.description.length / 500);
    const r_qual = 1 / (1 + Math.exp(-4 * (normLen - 0.5)));

    // Composite static prior
    const r_static = (lambda1_cons * Math.max(0, nameDescCosine)) +
                     (lambda2_source * w_src) +
                     (lambda3_quality * r_qual);

    this.staticPriors.set(tool.id, r_static);

    // Inisialisasi arm bandit dengan cold-start bias b_a <- r_static * (1 / sqrt(d))
    const initialBias = r_static / Math.sqrt(this.config.d_dim);
    this.arms.set(tool.id, {
      A_diag: new Array(this.config.d_dim).fill(1.0), // I_d diagonal
      b_vec: new Array(this.config.d_dim).fill(initialBias),
      usageCount: 0,
      lastExecutedTimestamp: Date.now(),
    });
  }

  /**
   * 2. Menghitung Skor LinUCB Bandit S_bandit(x_t, a)
   * Formula Eq. (6), (7), & (8):
   * theta_a = A_a^(-1) * b_a
   * S_bandit = theta_a^T * x_t + alpha * sqrt(x_t^T * A_a^(-1) * x_t)
   */
  public computeBanditScore(toolId: string, queryEmbedding: number[]): number {
    const arm = this.arms.get(toolId);
    if (!arm) return 0.5;

    const { explorationAlpha, d_dim } = this.config;
    let expectedReward = 0;
    let variance = 0;

    for (let i = 0; i < d_dim; i++) {
      const invA = 1.0 / arm.A_diag[i];
      const theta_i = invA * arm.b_vec[i];
      const x_i = queryEmbedding[i] || 0;

      expectedReward += theta_i * x_i;
      variance += x_i * invA * x_i;
    }

    const ucbBonus = explorationAlpha * Math.sqrt(Math.max(0, variance));
    return expectedReward + ucbBonus;
  }

  /**
   * 3. Hybrid Fusion Re-ranking
   * Formula Eq. (9):
   * S_final(q_t, a) = w1 * S_sem(q_t, a) + w2 * S_bandit(x_t, a) + w3 * r_static(a)
   */
  public rankCandidates(
    candidates: Array<{ toolId: string; semanticScore: number }>,
    queryEmbedding: number[]
  ): Array<{ toolId: string; finalScore: number; semanticScore: number; banditScore: number; staticPrior: number }> {
    const { w1_semantic, w2_bandit, w3_static } = this.config.weights;

    return candidates
      .map((c) => {
        const banditScore = this.computeBanditScore(c.toolId, queryEmbedding);
        const staticPrior = this.staticPriors.get(c.toolId) ?? 0.5;
        const finalScore = (w1_semantic * c.semanticScore) +
                           (w2_bandit * banditScore) +
                           (w3_static * staticPrior);

        return {
          toolId: c.toolId,
          finalScore,
          semanticScore: c.semanticScore,
          banditScore,
          staticPrior,
        };
      })
      .sort((a, b) => b.finalScore - a.finalScore);
  }

  /**
   * 4. Online Feedback Update (Discounted LinUCB)
   * Formula Eq. (10) & (11):
   * A_a <- gamma * A_a + (1 - gamma) * I_d + x_t * x_t^T
   * b_a <- gamma * b_a + y_t * x_t
   */
  public updateExecutionFeedback(
    toolId: string,
    queryEmbedding: number[],
    success: boolean
  ): void {
    const arm = this.arms.get(toolId);
    if (!arm) return;

    const { discountFactorGamma: gamma, d_dim } = this.config;
    const y_t = success ? 1.0 : 0.0;

    for (let i = 0; i < d_dim; i++) {
      const x_i = queryEmbedding[i] || 0;
      // Discounted update menjaga bobot arm adaptif terhadap error temporal
      arm.A_diag[i] = (gamma * arm.A_diag[i]) + ((1.0 - gamma) * 1.0) + (x_i * x_i);
      arm.b_vec[i] = (gamma * arm.b_vec[i]) + (y_t * x_i);
    }

    arm.usageCount += 1;
    arm.lastExecutedTimestamp = Date.now();
  }
}

8. Rekomendasi Arsitektur untuk Engineering AI Agent Production 2026

Berdasarkan temuan riset arXiv:2610.13889, tim arsitektur AI agent enterprise disarankan untuk menerapkan 5 panduan teknis berikut:

  • Hentikan Ketergantungan Tunggal pada Semantic Embedding Statis: Kemiripan teks (cosine similarity) tidak mencerminkan ketersediaan infrastruktur. Jangan biarkan agent loop memanggil tool tanpa validasi operational reliability.
  • Dekupel Representasi Semantik dari Pembaruan Keandalan: Jangan melatih ulang (fine-tuning) model dense encoder setiap kali ada API yang down. Cukup simpan bobot embedding dalam keadaan beku (frozen) dan gunakan lightweight bandit state untuk penyesuaian skor.
  • Gunakan Discount Factor Non-Stasioner (γ ≈ 0.95): Kegagalan server biasanya bersifat sementara (transient). Tanpa faktor diskon waktu, sebuah tool yang mengalami downtime selama 10 menit akan di-blacklist selamanya oleh sistem.
  • Manfaatkan Metadata Katalog sebagai Cold-Start Prior: Tool baru tanpa riwayat eksekusi harus dinilai berdasarkan konsistensi nama-deskripsi dan reputasi repositori sumber untuk menghindari eksplorasi buta.
  • Batasi Kandidat Re-ranking pada Top-K (K = 10): Menjalankan UCB bandit pada seluruh ruang ribuan API menimbulkan overhead komputasi. Saring kandidat secara semantik terlebih dahulu sebelum mengeksekusi re-ranking linier.

Referensi & Sumber Terverifikasi

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

Ilustrasi Arsitektur Teknis 16:9 Bellman Language Models (arXiv:2610.24871): Discretize-Then-Decide, Eliminasi Redundant LLM Invocations hingga 98%, dan Optimal Control pada Agentic Workflows

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.

Ilustrasi Arsitektur Teknis 16:9 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

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.

Ilustrasi Arsitektur Teknis 16:9 DLite (arXiv:2610.23787): History-Free Speculative Decoding untuk Agentic AI, Eliminasi Draft KV Cache, dan Akselerasi 2.74x pada SWE-bench

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.