LLM 推論のフルスタック（アプリ、フレームワーク、コンパイラ、カーネル、ハードウェア）を対象とした自動最適化フレームワーク Arbor を提案。

ベンダー最適化済みのベースラインに対し、スループットとレイテンシのパレート改善で最大 193% の向上を達成。

単一エージェントによる最適化（+33% で頭打ち、数時間で不可逆的にクラッシュ）に対し、Arbor は数日間にわたる自律的なキャンペーン実行が可能。

実行ごとの分散は 2% 以内に収まり、異なる世代のハードウェア間でも高い再現性と汎用性を実証。

LLM 推論の最適化は、アプリからハードウェアまで広範な専門知識が必要で、人間がチームを組んで数週間かける作業だった。Arbor を使えば、これを自律エージェントに任せ、人間が到達できなかった性能向上を数日で得られる。

単一エージェントでは不可能な「失敗からの診断シグナルの抽出」と「探索範囲の動的拡大」を、構造化された探索木（認知レイヤー）によって実現している。

ベンダーが提供する最適化済み設定よりも 2 倍近い性能を引き出せるため、推論インフラの計算コスト劇的な削減に直結する。