코딩 에이전트는 자기 구현을 재귀적으로 수정하며 자가 개선 루프를 형성할 수 있지만, 기존 접근은 비용이 크고 연산 집약적이다. 이 논문은 엄격한 예산 제약 아래서도 코딩 성능을 크게 향상시키는 샘플 효율적 자가 개선 프레임워크를 소개한다. 후보 자가 수정의 효과를 추정하기 위해 수정된 에이전트로 벤치마크 과제 일부를 다시 실행하는 기존 방식이 주요 속도 병목임을 지적하고, 후보 패치 간 쌍대 비교를 수행하는 LLM 심판 신호를 활용해 정규화된 Bradley-Terry 모델로 승패 기록을 집계하는 Fast Tree-search를 통한 재귀적 자가 개선(SIFT)을 제안한다. 이 강도 점수가 경량 분산 트리 탐색 안에서 순위 기반 부모 샘플링을 이끌며, 비용이 큰 다운스트림 평가는 가장 유망한 노드에만 예약된다. SIFT는 Polyglot 벤치마크 전반에서 기존 트리 탐색 기반 자가 진화 프레임워크를 CPU 시간·실행 시간·API 비용 모두에서 훨씬 낮은 자원으로 능가했다.

• •후보 자가 수정 평가의 속도 병목을 LLM 심판 기반 쌍대 비교로 해결하는 SIFT 제안
• •Bradley-Terry 모델로 승패 기록을 집계해 강도 점수를 산출, 순위 기반 부모 샘플링에 활용
• •비용이 큰 다운스트림 평가는 가장 유망한 후보에만 예약해 효율 극대화
• •Polyglot 벤치마크에서 기존 기법 대비 CPU·시간·API 비용 모두 절감하며 성능 우위 확보