SWE-Bench Pro 80.3% 달성, Long-Context 기반의 Agentic Workflow 혁신

Context

기존 LLM 기반 봇 개발 시 대규모 코드베이스 관리 중 발생하는 Context Drift 문제로 인한 일관성 결여. 복잡한 트레이딩 전략과 다중 모듈 간의 아키텍처적 정합성 유지의 한계.

Technical Solution

• Long-Context Handling 강화를 통한 대규모 코드베이스 및 다시간 세션의 일관성 유지
• Multi-agent System(Bull/Bear/Risk Veto Agent) 설계를 통한 상호 견제 및 규칙 유지 구조 구현
• Vision-to-Code 파이프라인 구축을 통한 트레이딩 터미널 분석 모듈의 자동 생성
• 내부 Note-taking 기반의 Self-improvement 루프를 통한 자율적 시스템 최적화
• 고위험 쿼리를 이전 모델로 라우팅하는 <5% 비율의 Targeted Safeguard 적용
• Stoikov-style Skewing 등 정교한 금융 수학 로직의 코드 구현 능력 내재화