Tokenmaxxing은 죽었다, Tokenmaxxing 만세

Context

초기 AI 도입기에는 단순 사용량 증대를 통한 도구 확산 중심의 Tokenmaxxing 전략을 채택함. 과거에는 실행 시간 증가에 따라 오류가 누적되는 Compounding Error로 인해 장시간 에이전트 가동의 효율성이 낮았음.

Technical Solution

• Compounding Correctness 개념 도입을 통한 토큰 투입량과 결과 품질의 정비례 구조 설계
• 에이전트가 자체 기준에 따라 완료를 판단하고 프롬프트를 재시작하는 Loops 아키텍처 적용
• 고비용 Frontier 모델 단일 사용 대신 저렴한 Open Model을 루프 내에서 다회 반복 실행하는 비용 최적화 전략 채택
• 보안 취약점 분석 시 공격자보다 더 많은 계산량을 투입하는 Proof of Work 방식의 토큰 예산 할당
• 단순 래퍼(Wrapper) 형태의 에이전트 구조에서 범용 플랫폼 기반의 소프트웨어 팩토리 체제로 전환

Impact

• AISI Mythos 모델 시도 1회당 100M 토큰 예산 할당을 통해 시도당 $12,500 비용 투입
• GLM 5.2 모델 사용 시 Opus 4.X 대비 입력 비용 1/3.5, 출력 비용 1/6 수준으로 절감하여 반복 실행 효율 극대화

Key Takeaway

모델의 지능(Intelligence)에만 의존하던 방식에서 계산량(Compute)과 반복 루프를 통한 근사적 정답 도출 방식으로 설계 패러다임이 이동함.