NS
NEWSAINT
ai-eng• 8 MIN READ•6 September 2026

ArcticSwarm 2026: Arsitektur Gated Isolation, Shared Bulletin Board, dan Three-Tier Commitment Review untuk Mengatasi Premature Consensus pada Long-Horizon Multi-Agent Deep Research

Analisis arsitektur sistemik riset frontier terbaru (Snowflake AI Research, arXiv:2609.01870, September 2026): Mengatasi kegagalan konsensus dini (premature consensus) dan homogenisasi bukti pada autonomous multi-agent deep research dengan arsitektur ArcticSwarm. Memisahkan pengumpulan bukti dari integrasi bukti melalui Gated Isolation, asynchronous topic-based Bulletin Board System (BBS), dan Three-Tier Commitment Review (Self-Check, Board Audit, Commit Gate) dengan sapuan kandidat alternatif wajib—mencapai akurasi 82.6% pada BrowseComp-Plus (Qwen 3.5-27B) dan 73.6% pada live-web BrowseComp (GPT-5), melampaui sistem deep-research bawaan OpenAI dan MiroFlow.

N
Ervareza Naurian Novantila
Lead Architect & Founder NEWSAINT
Fact-Checked & Verified
Ilustrasi Arsitektur Teknis 16:9 ArcticSwarm 2026: Arsitektur Gated Isolation, Shared Bulletin Board, dan Three-Tier Commitment Review untuk Mengatasi Premature Consensus pada Long-Horizon Multi-Agent Deep Research

Dalam lanskap rekayasa kecerdasan buatan multi-agen tahun 2026, orkestrasi paralel telah berhasil mendominasi domain pemrograman berkat kehadiran unit-test verifiers yang deterministik. Namun, ketika arsitektur swarm yang sama ditugaskan untuk memecahkan open-ended deep research—eksplorasi fakta web terbuka tanpa verifier berbasis kompilasi—sistem multi-agen konvensional mengalami kegagalan struktural yang fatal: Premature Consensus (Konsensus Dini) dan homogenisasi bukti. Agen-agen yang saling bertukar informasi terlalu awal akan terjebak dalam bias konfirmasi bersama sebelum alternatif hipotesis tervalidasi.

Ringkasan Eksekutif Arsitektur

Makalah riset frontier terbaru dari tim Snowflake AI Research (arXiv:2609.01870, September 2026) memperkenalkan ArcticSwarm: arsitektur multi-agen otonom pertama yang secara eksplisit memisahkan Evidence Gathering (pengumpulan bukti) dari Evidence Integration (sintesis bukti). Dengan menerapkan Gated Isolation pada sub-agen penelusur, saluran asinkron Shared Bulletin Board System (BBS), serta Three-Tier Commitment Review (Self-Check, Board Audit, dan Commit Gate dengan sapuan kandidat alternatif wajib), ArcticSwarm mencetak rekor akurasi baru 82.6% ± 0.5% pada 830 pertanyaan BrowseComp-Plus menggunakan open-weight model Qwen 3.5-27B (mengungguli baseline MiroFlow sebesar 70.6%). Pada live-web BrowseComp, ArcticSwarm mencapai 73.6% dengan GPT-5—jauh melampaui proprietary deep-research stack milik penyedia model (54.9%) dan sistem multi-agent Direct Messaging (61.9%).

1. Jebakan Konsensus Dini & Kegagalan Majority Voting pada Multi-Agent Swarm

Dalam sistem agen otonom generasi sebelumnya (seperti baseline ReAct paralel atau MiroFlow), arsitektur komunikasi umumnya mengandalkan salah satu dari dua pendekatan:

  • Unrestricted Peer Communication (Komunikasi Bebas Antar-Agen): Begitu satu sub-agen menemukan kandidat jawaban yang tampak masuk akal (meskipun parsial atau salah tafsir), agen tersebut membagikannya ke kanal global. Agen-agen lain yang membaca pesan tersebut langsung menyempitkan ruang pencarian mereka (search path collapse), berhenti menelusuri sumber primer lain, dan mulai mengumpulkan bukti pendukung untuk hipotesis awal tersebut. Fenomena ini menciptakan echo chamber sintetik.
  • Independen Rollouts dengan Majority Voting: Menjalankan puluhan agen secara independen tanpa komunikasi, lalu melakukan agregasi suara terbanyak (majority voting). Evaluasi eksperimental membuktikan bahwa majority voting mengalami saturasi pada akurasi 63.5% bahkan saat ditingkatkan hingga N = 40 rollouts (relatif token 1.10x). Alasannya fundamental: jika sumber bukti faktual di internet tersembunyi di balik query penelusuran yang rumit, probabilitas satu agen menemukan jawaban benar tetap rendah; menduplikasi kegagalan sebanyak 40 kali tidak menghasilkan kebenaran baru.
Arsitektur Visual ArcticSwarm Gated Isolation Shared Bulletin Board dan Three-Tier Commitment Review 2026
Gambar 1: Arsitektur Orkestrasi ArcticSwarm — Pemisahan Ketat Evidence Gathering (Gated Isolation) dari Evidence Integration (Structured BBS Channels & 3-Tier Commitment Review Boundaries).

2. Arsitektur Gated Isolation: Memaksa Dispersi Jalur Penelusuran

Inovasi inti pertama dalam ArcticSwarm adalah Gated Isolation. Ketika orchestrator memecah pertanyaan penelitian menjadi serangkaian subtugas, sub-agen browser/investigator diisolasi secara kriptografis dan kontekstual:

Setiap sub-agen mempertahankan prior dan memori penelusurannya sendiri tanpa akses baca ke kanal diskusi atau konsensus rekanan selama fase pengumpulan data. Mereka hanya diperbolehkan menerbitkan (write-only) potongan bukti mentah dan URL sumber ke kanal #discoveries.

typescript / arcticswarm-kernel.ts GATED ISOLATION & 3-TIER REVIEW ENGINE
// ArcticSwarm Multi-Agent Deep Research Kernel & Gated Isolation Engine
// Berdasarkan Arsitektur Snowflake AI Research (arXiv:2609.01870, September 2026)
// Memisahkan Evidence Gathering dari Evidence Integration via Gated BBS & 3-Tier Review Gates

import { EventEmitter } from 'node:events';
import { createHash } from 'node:crypto';

export type BBSChannelType = 'discoveries' | 'key-findings' | 'discussion' | 'consensus';

export interface BBSPost {
  id: string;
  channel: BBSChannelType;
  authorSubagentId: string;
  hypothesis: string;
  evidenceSnippets: Array<{
    url: string;
    passageHash: string;
    extractedFact: string;
    relevanceScore: number;
  }>;
  confidenceScore: number; // 0.0 - 1.0
  isAlternativeSweep: boolean;
  timestamp: number;
}

export interface ReviewVerdict {
  reviewerId: string;
  postId: string;
  status: 'ACCEPTED' | 'CHALLENGED' | 'REJECTED';
  challengeReason?: string;
  alternativeCandidatesRequired: boolean;
  reviewedAt: number;
}

/**
 * 1. Gated Isolation Manager: Mengisolasi sub-agen investigasi selama fase eksplorasi.
 * Mencegah sub-agen membaca temuan parsial rekanan yang memicu premature convergence.
 */
export class GatedIsolationManager {
  private isolatedSubagents: Set = new Set();
  private evidenceJaccardHistory: Map = new Map();

  public registerSubagent(subagentId: string, isolatePeerReads: boolean = true): void {
    if (isolatePeerReads) {
      this.isolatedSubagents.add(subagentId);
    }
    this.evidenceJaccardHistory.set(subagentId, new Set());
  }

  public canReadBBS(subagentId: string, channel: BBSChannelType): boolean {
    // Sub-agen terisolasi dilarang membaca channel konsensus & diskusi bebas selama fase gathering
    if (this.isolatedSubagents.has(subagentId)) {
      return channel === 'discoveries'; // Hanya membaca feed penemuan mentah tanpa interpretasi rekan
    }
    return true;
  }

  public recordVisitedPassages(subagentId: string, urls: string[]): void {
    const history = this.evidenceJaccardHistory.get(subagentId);
    if (history) {
      urls.forEach(u => history.add(u));
    }
  }

  /**
   * Menghitung pairwise Jaccard overlap untuk memvalidasi dispersi pencarian antar-agen
   */
  public calculateMeanPairwiseJaccard(): number {
    const agents = Array.from(this.evidenceJaccardHistory.keys());
    if (agents.length < 2) return 0;

    let totalJaccard = 0;
    let pairsCount = 0;

    for (let i = 0; i < agents.length; i++) {
      for (let j = i + 1; j < agents.length; j++) {
        const setA = this.evidenceJaccardHistory.get(agents[i])!;
        const setB = this.evidenceJaccardHistory.get(agents[j])!;
        const intersection = new Set([...setA].filter(x => setB.has(x)));
        const union = new Set([...setA, ...setB]);
        const jaccard = union.size === 0 ? 0 : intersection.size / union.size;
        totalJaccard += jaccard;
        pairsCount++;
      }
    }

    return pairsCount === 0 ? 0 : totalJaccard / pairsCount;
  }

  public liftIsolation(subagentId: string): void {
    this.isolatedSubagents.delete(subagentId);
  }
}

/**
 * 2. Asynchronous Bulletin Board System (BBS): Kanal topik terstruktur
 */
export class SharedResearchBulletinBoard extends EventEmitter {
  private channels: Map = new Map([
    ['discoveries', []],
    ['key-findings', []],
    ['discussion', []],
    ['consensus', []],
  ]);

  public publish(post: BBSPost): void {
    const list = this.channels.get(post.channel) || [];
    list.push(post);
    this.channels.set(post.channel, list);
    this.emit('new_post', post);
  }

  public getPosts(channel: BBSChannelType): BBSPost[] {
    return this.channels.get(channel) || [];
  }
}

/**
 * 3. Three-Tier Commitment Review Engine:
 * Tier 1: Investigator Self-Check
 * Tier 2: Dedicated Reviewer Board Audit
 * Tier 3: Enforced Commit Gate + Mandatory Alternative-Candidate Sweep
 */
export class ThreeTierCommitmentReviewer {
  private bbs: SharedResearchBulletinBoard;
  private isolationManager: GatedIsolationManager;

  constructor(bbs: SharedResearchBulletinBoard, isolation: GatedIsolationManager) {
    this.bbs = bbs;
    this.isolationManager = isolation;
  }

  // Tier 1: Investigator Self-Check
  public async executeSelfCheck(post: BBSPost): Promise {
    if (post.evidenceSnippets.length < 2) return false;
    if (post.confidenceScore < 0.75) return false;
    // Verifikasi hash integritas kutipan
    for (const snippet of post.evidenceSnippets) {
      if (!snippet.passageHash || snippet.extractedFact.trim().length === 0) {
        return false;
      }
    }
    return true;
  }

  // Tier 2: Dedicated Reviewer Board Audit
  public async executeBoardAudit(
    reviewerId: string, 
    post: BBSPost
  ): Promise {
    // Mengecek apakah terdapat bukti yang saling berkontradiksi di kanal discoveries
    const discoveries = this.bbs.getPosts('discoveries');
    const contradictions = discoveries.filter(d => 
      d.id !== post.id && 
      d.authorSubagentId !== post.authorSubagentId &&
      d.hypothesis !== post.hypothesis &&
      d.confidenceScore > 0.8
    );

    if (contradictions.length > 0) {
      return {
        reviewerId,
        postId: post.id,
        status: 'CHALLENGED',
        challengeReason: `Terdapat ${contradictions.length} bukti tandingan independen yang belum diverifikasi.`,
        alternativeCandidatesRequired: true,
        reviewedAt: Date.now(),
      };
    }

    return {
      reviewerId,
      postId: post.id,
      status: 'ACCEPTED',
      alternativeCandidatesRequired: false,
      reviewedAt: Date.now(),
    };
  }

  // Tier 3: Enforced Commit Gate
  public async evaluateCommitGate(
    leadingPost: BBSPost,
    auditVerdict: ReviewVerdict,
    hasAlternativeCandidateSweep: boolean
  ): Promise<{ canCommit: boolean; committedAnswer?: string; reason: string }> {
    if (auditVerdict.status !== 'ACCEPTED') {
      return {
        canCommit: false,
        reason: 'Board Audit belum memberikan vonis ACCEPTED terhadap kandidat utama.',
      };
    }

    // Syarat wajib arXiv:2609.01870: sapuan kandidat alternatif harus selesai sebelum soft deadline
    if (!hasAlternativeCandidateSweep) {
      return {
        canCommit: false,
        reason: 'Commit diblokir: Alternative-candidate sweep wajib dieksekusi untuk membuktikan hipotesis tandingan salah.',
      };
    }

    // Rekomendasikan post ke kanal consensus
    this.bbs.publish({
      ...leadingPost,
      channel: 'consensus',
      confidenceScore: 0.98,
      timestamp: Date.now(),
    });

    return {
      canCommit: true,
      committedAnswer: leadingPost.hypothesis,
      reason: 'Semua 3 gate terpenuhi secara deterministik: Self-Check lolos, Board Audit tervalidasi, dan Alternative Sweep nihil sanggahan.',
    };
  }
}

Pengujian Jaccard index URL pairwise membuktikan bahwa Gated Isolation menghasilkan tingkat overlap penelusuran terendah sepanjang penambahan sub-agen ($N$). Sementara sistem tanpa isolasi mengalami lonjakan tumpang-tindih dokumen hingga >68%, ArcticSwarm mempertahankan cakupan bukti unik hampir dua kali lipat lebih luas dibandingkan run agen tunggal mandiri.

3. Structured Bulletin Board System (BBS) vs. Unconstrained Chat

Sebagian besar framework multi-agen (seperti AutoGen atau CrewAI) menggunakan model percakapan bebas (group chat atau direct messaging). Makalah ArcticSwarm membuktikan bahwa model Direct Messaging (DM) justru menghasilkan akurasi yang buruk: 61.9% dengan konsumsi token membengkak hingga 1.14x karena overhead obrolan basa-basi dan redundansi token.

ArcticSwarm menggantikan percakapan bebas dengan Structured Bulletin Board System (BBS) yang terbagi ke dalam empat saluran diskrit dengan semantik ketat:

#discoveries Write-Only during Isolation

Tempat sub-agen mempublikasikan kutipan teks verbatim dari halaman web, metadata URL, dan hash integritas dokumen tanpa opini atau interpretasi subjektif tingkat tinggi.

#key-findings Structured Claims

Sintesis klaim faktual terstruktur yang telah lolos uji konsistensi internal sub-agen, ditautkan langsung ke minimal dua kutipan bukti di kanal discoveries.

#discussion Reviewer Challenges

Arena interaksi antara Dedicated Reviewer dan Investigator saat ditemukan kontradiksi bukti atau inkonsistensi metodologi riset.

#consensus Verified Commit Only

Saluran akhir tempat jawaban final dikomit setelah lolos ketiga gerbang peninjauan dan sapuan alternatif tandingan.

4. Three-Tier Commitment Review & Alternative-Candidate Sweep

Kelemahan terbesar model bahasa dalam deep research adalah kecenderungan untuk memvalidasi hipotesis pertama yang mereka temukan (confirmation bias). Untuk menanggulangi hal ini, ArcticSwarm menegakkan tiga batas komitmen terstruktur (Three Commitment Boundaries):

  1. Gerbang 1 — Investigator Self-Check: Sub-agen yang menyelesaikan penelusuran wajib melakukan audit mandiri terhadap batas-batas fakta (misalnya memeriksa apakah tanggal kejadian, nama entitas, atau satuan metrik persis sesuai dengan pertanyaan).
  2. Gerbang 2 — Dedicated Reviewer Board Audit: Sub-agen reviewer independen (yang tidak terlibat dalam browsing) membaca papan BBS untuk mencari kontradiksi. Reviewer berhak mengeluarkan status CHALLENGED jika menemukan inkonsistensi antar-sumber.
  3. Gerbang 3 — Enforced Commit Gate & Alternative-Candidate Sweep: Sebelum jawaban final dikomit ke pengguna, sistem mewajibkan verifikasi dari dua entitas berbeda (peneliti yang selesai + reviewer yang setuju) serta eksekusi sapuan kandidat alternatif (alternative-candidate sweep). Dalam sapuan ini, orchestrator menginstruksikan sub-agen baru untuk secara spesifik mencari bukti yang membantah jawaban kandidat utama atau mencari kandidat jawaban nomor dua. Jika kandidat nomor dua tidak ditemukan atau terbukti gugur, barulah jawaban final dikomit.

5. Evaluasi Kinerja Empiris & Analisis Komparatif

Studi ablasional terkontrol dilakukan pada seluruh 830 pertanyaan di tolok ukur BrowseComp-Plus menggunakan open-weight model Qwen 3.5-27B di bawah kondisi korpus, retriever, timeout, dan juri evaluasi yang identik:

Arsitektur / Konfigurasi Evaluasi Model LLM Akurasi (%) Δ vs Baseline Relative Tokens
ArcticSwarm (Lengkap) Qwen 3.5-27B 82.6% ± 0.5 — 1.00x
Tanpa Gated Isolation (Unrestricted BBS) Qwen 3.5-27B 78.8% ± 1.0 -3.8% 0.98x
Tanpa 3-Level Review Gates Qwen 3.5-27B 74.5% ± 0.8 -8.1% 0.21x
MiroFlow Swarm Baseline Qwen 3.5-27B 70.6% -12.0% 0.82x
Direct Messaging (DM Multi-Agent) Qwen 3.5-27B 61.9% ± 0.7 -20.7% 1.14x
Single Agent + Majority Voting (N = 40) Qwen 3.5-27B 63.5% -19.1% 1.10x
Single Agent Standalone Qwen 3.5-27B 48.4% ± 1.0 -34.2% 0.05x

Ekstensi Live-Web & Model Frontier Tertutup

Ketika dievaluasi pada live web BrowseComp melawan model proprietary terdepan, keunggulan arsitektural ArcticSwarm semakin dominan:

  • GPT-5 pada Live Web: ArcticSwarm mencapai 73.6%, jauh melampaui sistem deep-research bawaan OpenAI provider (54.9%) dan MiroFlow (63.4%).
  • GPT-5 pada BrowseComp-Plus: ArcticSwarm mencapai 88.3% (dibandingkan 72.9% sistem provider).
  • Claude Sonnet 4.5 pada BrowseComp-Plus: ArcticSwarm mencapai 80.0% (dibandingkan 67.2% sistem provider).
  • Insensitivitas terhadap Kap Sub-Agen: Variasi batas sub-agen simultan dari 8 hingga 48 hanya mengubah akurasi sebesar ±3.3 poin persentase karena durasi pencarian dikendalikan oleh kepuasan kriteria hipotesis pada orchestrator, bukan oleh kuota agen.

6. Cetak Biru Rekayasa untuk Autonomous Agent Production

Bagi arsitek software dan tim engineer yang membangun research swarms, automated due-diligence bots, atau sistem market intelligence otonom, ArcticSwarm memberikan 4 prinsip fundamental:

1. Terapkan Read-Gating pada Agen Eksplorasi Jangan biarkan sub-agen penelusur membaca hipotesis kerja yang sedang dirumuskan oleh agen lain. Biarkan mereka menjelajahi web secara otonom agar ruang pencarian tidak mengalami penciutan prematur.
2. Hindari Obrolan Poin-ke-Poin (No Chat Bus) Gunakan saluran papan pengumuman (BBS) dengan skema payload JSON typed dan kutipan teks verbatim ber-hash. Percakapan natural language antar-agen hanya memboroskan token dan meningkatkan drift instruksi.
3. Wajibkan Sapuan Bukti Tandingan (Counter-Hypothesis Sweep) Sebelum agen menganggap sebuah fakta terkonfirmasi, instruksikan agen terpisah untuk mencari bukti yang menyangkal temuan tersebut. Jika sanggahan gagal ditemukan, kepercayaan dapat dinaikkan ke level komitmen.
4. Pisahkan Peran Investigator dari Reviewer Agen yang mencari data cenderung mencintai data yang ditemukannya. Evaluasi independen oleh reviewer yang tidak terbebani riwayat pencarian (fresh context window) krusial untuk memangkas halusinasi hingga mendekati nol.

Referensi & Sumber Terverifikasi

Butuh Arsitektur Web & AI Berkualitas Tinggi?

Tim engineering NEWSAINT siap membantu merancang website berkecepatan tinggi, sistem AI autonomous, dan solusi SaaS terukur untuk bisnis Anda.

Artikel Terkait Lainnya

Ilustrasi Arsitektur Teknis 16:9 HyperBrowseComp 2026: Benchmark Multilingual & Multimodal Stress Test untuk Autonomous Web-Browsing Agents, Evaluasi 13 Bahasa, dan Analisis Bottleneck Retrieval Harness

HyperBrowseComp 2026: Benchmark Multilingual & Multimodal Stress Test untuk Autonomous Web-Browsing Agents, Evaluasi 13 Bahasa, dan Analisis Bottleneck Retrieval Harness

Analisis arsitektur sistem frontier riset evaluasi autonomous browsing agent (arXiv:2610.03574, Oktober 2026 — Alham Fikri Aji, Faiz Rizki Ramadhan, Zayd M. K. Zuhri, Seung Hun Eddie Han, Ryandito Diandaru, dkk. MBZUAI, Mila, Inception AI, Alibaba, AI Singapore): Mengapa tolok ukur browsing konvensional (GAIA, BrowseComp) mengalami saturasi parametrik dan bias monolingual. Memperkenalkan HyperBrowseComp, stress test 423 kueri faktual bernilai tunggal lintas 13 bahasa (termasuk Bahasa Indonesia 9.2% dan Jawa 8.3%) dan 8 modalitas (Video 39%, PDF/OCR 29.8%, Aritmetika 28.1%, Gambar 18.4%, Peta 9.7%). Evaluasi empiris 5 model frontier (Gemini 3.7 Flash, Gemini 3.1 Pro, GPT-5.6 Sol/Terra/Luna) lintas 3 harness retrieval (Provider Built-in, Exa Search API, OWL Browser Harness) mengungkap fenomena Harness Inversion (Exa mendongkrak GPT-5.6 Sol +7.56% namun mendegradasi Gemini 3.7 Flash -9.46%), 93 kegagalan fatal runtime tool-calling pada OWL, serta 57.68% pertanyaan tanpa solusi (shared failure) pada seluruh model frontier.

Ilustrasi Arsitektur Teknis 16:9 VenusRL 2026: Arsitektur Disaggregated Agentic RL dengan Priority-Aware Scheduling, Akselerasi Training 4.24x, dan Pangkas 89% Biaya Sandbox

VenusRL 2026: Arsitektur Disaggregated Agentic RL dengan Priority-Aware Scheduling, Akselerasi Training 4.24x, dan Pangkas 89% Biaya Sandbox

Analisis arsitektur sistem frontier riset Agentic RL (arXiv:2610.03286, Mingjun Zhang, Yucheng Li, Menghao Zhang, Shuyong Zhu, Ping Zhang — Oktober 2026): Mengapa sistem pelatihan RL agen multi-turn konvensional (Slime, RollFlash) mengalami bottleneck sistemik fatal akibat barrier penyelesaian grup GRPO/PPO dan alokasi statis memori sandbox microVM. Memperkenalkan VenusRL, sistem agentic RL terdisagregasi penuh pertama yang memadukan Priority-Aware Action Scheduler dan Environment Resource Manager. Melalui heuristik prediksi panjang lintasan, Trajectory-Aware Radix Cache, alokasi memori dinamis adaptif, serta intra-group page sharing berbasis aliasing page table entry (PTE) dan copy-on-write, VenusRL meraih akselerasi training throughput hingga 4.24x, meningkatkan densitas sandbox per node hingga 905% (dari 100 ke 905 sandbox pada node 400GB), dan memangkas biaya infrastruktur non-GPU hingga 89% pada pengujian kluster 32 GPU Hopper dengan Qwen3-32B di SWE-agent OpenSWE.

Ilustrasi Arsitektur Teknis 16:9 ActKV 2026: Arsitektur Action-Guided KV Cache Management pada Agentic LLM Inference, Pangkas 74% Memori dengan 98.5% Akurasi, dan Akselerasi Throughput hingga 3.97x

ActKV 2026: Arsitektur Action-Guided KV Cache Management pada Agentic LLM Inference, Pangkas 74% Memori dengan 98.5% Akurasi, dan Akselerasi Throughput hingga 3.97x

Analisis mendalam arsitektur sistem operasi frontier agent inference (arXiv:2609.31395, University of Science and Technology of China - USTC): Mengapa kompresi KV cache konvensional (StreamingLLM, SnapKV, R-KV) gagal total pada agen otonom karena menyamaratakan seluruh token. Memperkenalkan ActKV, framework kompresi KV cache pertama yang dirancang khusus untuk agentic LLM inference. Melalui tiga inovasi arsitektural—Action-Oriented Eviction berbasis attention-aware LRFU, Confidence-Driven Adaptive Budget Allocation berbasis sinyal intrinsik LLM & trend detection, serta Page-Aware In-Place Compaction Kernel tanpa alokasi workspace ekstra—ActKV mempertahankan 98.53% akurasi FullKV dengan hanya 25.98% peak memory, serta melejitkan token throughput hingga 3.97x dan task throughput hingga 3.58x pada model Qwen3-30B, Qwen3-235B, GPT-OSS-20B, dan GPT-OSS-120B.