SWE-bench 95% 달성 및 Guarded Domain 기반 모델 Fallback 설계

Context

단일 모델로 성능 최적화와 안전성 제약을 동시에 해결하려는 기존 AI 학습 방식의 한계 직면. 모델의 Raw Capability 향상이 반드시 특정 도메인의 행동 신뢰성(Behavioral Reliability) 보장으로 이어지지 않는 Trade-off 발생.

Technical Solution

• 성능 특화 모델(Fable 5)과 신뢰성 특화 모델(Opus 4.8)을 분리한 Tiered System 구축
• Guarded Domain 진입 시 Fable 5에서 Opus 4.8로 제어권을 이전하는 Fallback Architecture 설계
• Raw Capability보다 고위험 도메인의 행동 제어력을 우선시한 의사결정 반영
• 모델별 목적에 따른 차등 과금 체계($10/$50 vs $5/$25)를 통한 리소스 최적화
• 성능 격차(11%p)보다 도메인별 적절한 모델 배치가 더 중요하다는 설계 원칙 적용