1.5M Context 및 Agentic-First 설계 통한 토큰 효율 최적화

Context

GPT-5.5의 추론 모델 기반 Agent 기능 추가 방식은 내부 독백 및 중복 추론으로 인한 과도한 토큰 소비 유발. 이로 인해 복잡한 워크플로우 수행 시 작업당 비용 상승 및 컨텍스트 윈도우 제한에 따른 데이터 청킹 필수 상황 발생.

Technical Solution

• Agentic-First 설계를 통한 학습 목적 함수(Objective Function)의 근본적 변경
• 단순 정답률(Accuracy)보다 '1,000 토큰당 정확한 액션 수'를 최적화 지표로 설정
• 추론 품질을 유지하며 낭비되는 토큰을 줄이는 Reasoning Frugality 학습 신호 강화
• 1.5M Token Context Window 확장을 통한 대규모 코드베이스 및 문서의 Native 처리 지원
• 추론 깊이와 TTFT(Time-to-First-Token) 간 Trade-off를 적용한 Codex UltraFast 모드 도입
• 청킹 및 리컨실리에이션 파이프라인 없이 전체 컨텍스트를 한 번에 처리하는 구조 설계