추론 모델의 테스트타임 연산 배분이 예측 난이도에만 의존해 모든 실패의 비용이 같다고 암묵 가정하는 한계를 지적하고, '결과 인식(consequence-aware)' 연산 배분을 제안한 논문이다. 로그 메시지 오타와 운영 DB를 망가뜨리는 마이그레이션은 둘 다 벤치마크 실패 1건이지만 실제 비용은 전혀 다르다. 이 방법은 경량 예측기로 이슈 텍스트에서 오답 시 비용을 추정해, 같은 총예산 내에서 고비용 과업을 더 큰 연산 계층으로 라우팅한다. SWE-bench Lite와 Multi-SWE-bench mini 등 700개 과업 실험에서 결과와 난이도가 거의 직교하며 현 모델이 결과에 따라 연산을 충분히 배분하지 못함을 보였다. 동일 예산에서 비용가중 손실을 난이도 기반 대비 22~33% 줄였고, 배포형 예측기 버전은 오라클 이득의 90% 이상을 유지했다.

• •난이도만으로 연산을 배분하는 기존 방식이 모든 실패 비용을 동일시하는 가정을 결과 인식 배분으로 교정
• •경량 예측기가 이슈 텍스트에서 오답 시 비용을 추정해 고비용 과업을 더 큰 연산 계층으로 라우팅
• •결과와 난이도는 거의 직교이며 300개 과업에서 고비용 과업을 저비용으로 오분류한 경우 없음
• •동일 예산에서 비용가중 손실을 난이도 기반 대비 22~33% 감소, 배포형 버전은 오라클 이득 90%+ 유지