연구진은 LLM이 196회의 연쇄적 도구 호출에 걸쳐 정확한 중간 상태를 유지할 수 있는지 검증하기 위해 MD5 해시를 처음부터 직접 계산하게 했다. 활성 파라미터 약 5.5B에 불과한 gpt-oss-120b는 온도 0, 짧은 고정 프롬프트만으로 64라운드 196회 호출 전체에서 4개의 32비트 워드를 유지하며 대다수 실행에서 정확한 다이제스트를 반환했다. 모든 기본 연산 도구를 제2의 LLM(드라이버-워커 구조)으로 대체한 가장 어려운 설정에서도, 매 턴 자신의 추론을 컨텍스트에 유지하고 사고 기능이 켜진 워커에 다수결 투표를 적용하는 두 요소만으로 모듈러 연산 실수를 제거하고 성공을 이끌어냈다. 이는 장기 과제 실패가 상태 유지·산술 오류·서빙 문제 중 어디서 비롯되는지 구분 가능하게 해, 기존 에이전트 벤치마크가 놓친 원인 분석의 틀을 제시한다.

• •196회 연쇄 도구 호출(64라운드)로 LLM의 MD5 해시 직접 계산 능력을 정밀 측정
• •활성 파라미터 약 5.5B인 gpt-oss-120b가 온도 0에서 대다수 실행에서 정확한 다이제스트 반환
• •연산 도구를 제2의 LLM으로 전부 대체해도 컨텍스트 내 추론 유지와 워커 다수결 투표만으로 성공
• •실패 원인을 상태 유지·산술·서빙 오류로 분리해 기존 벤치마크의 한계를 보완