Fortytwo Meluncurkan API Engine, Melaporkan Penggunaan Token 24,7% Lebih Sedikit untuk Tugas Pemrograman

Fortytwo telah meluncurkan Fortytwo Engine, sebuah API inferensi yang menggunakan model-model AI yang bekerja sama untuk meningkatkan penalaran sekaligus mengurangi jumlah teks yang perlu dihasilkan untuk menyelesaikan tugas. Perusahaan melaporkan bahwa model pertama yang didukung, Qwen 3.8 27B, menggunakan token 24,7% lebih sedikit dalam 450 kali pengerjaan tugas rekayasa perangkat lunak DeepSWE dibandingkan model yang sama saat berjalan sendiri, sekaligus menyelesaikan lebih banyak tugas.

Pengumuman ini menyoroti masalah biaya yang kian besar bagi agen AI: harga per token yang rendah tidak serta-merta membuat biaya setiap pekerjaan yang selesai menjadi rendah. Proses pemrograman dan riset yang panjang dapat menumpuk konteks berulang, pemanggilan alat yang tidak perlu, dan percobaan ulang. Menurut perusahaan, pendekatan Fortytwo berupaya mengurangi pekerjaan yang terbuang itu di dalam proses inferensi, dengan mempertahankan harga per token pada tingkat harga model dasar.

Mengarahkan Penalaran Sebelum Kesalahan Berlipat Ganda

Fortytwo menyebut teknologi yang mendasari Engine baru ini Swarm Decoder. Beberapa model bekerja sama membentuk alur penalaran bersama selama proses berlangsung, sambil menilai arah mana yang lebih kuat sebelum jawaban selesai. Tujuannya adalah mendeteksi asumsi yang lemah sejak awal sehingga tidak perlu melakukan proses generasi tambahan dan pemulihan setelah mengambil arah yang keliru.

Ini berbeda dari arsitektur Fortytwo sebelumnya. Dalam penelitian inferensi kawanan pada 2025, node-node terpisah menghasilkan jawaban masing-masing, membandingkannya secara langsung, lalu menggabungkan kontribusi yang paling kuat. Perusahaan menjelaskan mekanisme pemeringkatan statistik yang memberi bobot lebih besar kepada node yang terbukti andal, sementara evaluasi antarrekan membantu membangun reputasi node tersebut. Pendekatan sebelumnya mengevaluasi jawaban yang sudah selesai; Engine baru menerapkan pemeringkatan antarrekan langsung di dalam proses penalaran.

Perbedaan ini penting bagi agen yang bekerja melalui banyak tahap. Memilih jawaban akhir yang paling kuat dapat meningkatkan kualitas respons, tetapi tidak mengembalikan token yang telah digunakan untuk menghasilkan alternatif yang lebih lemah. Pengarahan berkelanjutan dimaksudkan untuk mencegah alur yang tidak produktif berkembang sejak awal. Fortytwo menyatakan bahwa penghitungan tokennya mencakup semua model yang berpartisipasi, bukan hanya menghitung respons akhir.

CEO sekaligus salah satu pendiri, Ivan Nikitin, menggambarkan manfaatnya sebagai dua hal: “Penalaran kolektif memberikan manfaat ganda: jawabannya lebih baik dan tugas membutuhkan lebih sedikit token.”

Hasil Pengujian Fortytwo

Dalam evaluasi DeepSWE perusahaan, Engine memperoleh skor 47,8, dibandingkan 42,2 untuk model dasar, atau naik 5,6 poin persentase. Rata-rata penggunaan token turun dari 16,3 juta menjadi 12,3 juta per proses. Dari seluruh 450 proses, Fortytwo melaporkan total 7,4 miliar token untuk model dasar dan 5,6 miliar untuk Engine.

Materi peluncuran juga melaporkan skor yang lebih tinggi pada lima tolok ukur lainnya, yang mencakup sains, pemrograman, dan penalaran umum:

Sumber: Pengumuman peluncuran Fortytwo. Skor membandingkan Qwen 3.8 27B dengan dan tanpa Engine, berdasarkan protokol evaluasi perusahaan.

Hasil ini dilaporkan oleh perusahaan. Pengurangan token sebesar 24,7% secara khusus berasal dari proses DeepSWE; angka tersebut tidak boleh dianggap sebagai penghematan terukur untuk setiap tolok ukur atau setiap beban kerja produksi. Bagi pengembang, pengujian praktisnya adalah melihat apakah model dapat menyelesaikan tugas mereka sendiri secara akurat dengan total token, percobaan ulang, dan pemanggilan alat yang lebih sedikit.

API yang Familier, dengan Batas Kompatibilitas yang Jelas

Layanan ini tersedia melalui platform pengembang Fortytwo. Dokumentasi API-nya menjelaskan kompatibilitas dengan OpenAI Chat Completions API, sehingga SDK atau klien yang sudah ada dapat menggunakan kunci API Fortytwo dan URL dasar, beserta ID model yang didukung.

Fitur yang terdokumentasi mencakup streaming, alat fungsi, pemanggilan alat secara paralel, dan keluaran terstruktur. Pengembang juga dapat memilih tingkat upaya penalaran. Fitur-fitur ini membuat layanan tersebut relevan bagi agen yang perlu memanggil alat perangkat lunak dan memberikan hasil yang dapat dibaca mesin, bukan sekadar menghasilkan teks percakapan.

Kompatibilitasnya memiliki batas. Dokumentasi mencantumkan Chat Completions dan daftar model sebagai endpoint yang didukung, sedangkan API seperti Responses, Embeddings, Audio, Files, dan Assistants tidak didukung. Beberapa kolom permintaan hanya didukung sebagian atau bergantung pada model yang dipilih, dan kolom yang tidak didukung akan menghasilkan kesalahan alih-alih diabaikan tanpa pemberitahuan. Karena itu, tim yang memindahkan aplikasi yang sudah ada sebaiknya memeriksa permintaan aktualnya berdasarkan panduan kompatibilitas.

Taruhan yang Lebih Besar pada AI Kolektif

Engine hadir berdampingan dengan Fortytwo Harbor, produk perusahaan bagi organisasi yang ingin menerapkan inferensi swarm di infrastruktur mereka sendiri. Fortytwo memosisikan Harbor sebagai solusi yang menjaga data tetap berada dalam perimeter organisasi dan menggunakan biaya perangkat keras tetap, alih-alih penagihan API per token.

Program riset Fortytwo yang lebih luas juga mencakup pembuatan data pelatihan melalui jaringan modelnya. Situs webnya menyoroti Strand-Rust-Coder-14B, model terbuka yang dilatih menggunakan kumpulan data yang dihasilkan Fortytwo. Riset tersebut berfokus pada pelatihan model, sementara Engine baru berfokus pada peningkatan kemampuan penalaran model berbobot terbuka yang sudah ada saat inferensi.

Didirikan pada 2024, Fortytwo menyatakan bahwa perusahaan ini memiliki tim yang terdiri atas 15 insinyur, termasuk di Mountain View dan Abu Dhabi, mengumpulkan pendanaan praseed sebesar $2.3 million pada 2025, serta bergabung dengan ekosistem Hub71 Abu Dhabi pada 2026. Lebih banyak model terbuka direncanakan untuk Engine setelah Qwen 3.8 27B.

Peluncuran ini menitikberatkan biaya per tugas yang berhasil. Jika evaluasi sejawat berkelanjutan dapat secara andal mencegah cukup banyak penalaran sia-sia untuk mengimbangi biaya tambahannya sendiri, pengembang mungkin memiliki cara lain untuk meningkatkan keekonomian agen, selain menggunakan model yang lebih baik dan perangkat keras yang lebih cepat.