Problem leży w samym sercu ekonomiki agentic LLM: cena za token nie odzwierciedla prawdziwego kosztu workflow. Gdy model nie potrafi rozwiązać problemu przy pierwszej próbie, system retryuje, zużywając coraz więcej tokenów. Ta luka między ceną teoretyczną a kosztem faktycznym to token inflation - badacze zmierzyli ją i odkryli, że wynosi nawet 4,25 raza dla mniejszych modeli na zadaniach wymagających wieloetapowego rozumowania.
InflationAgent rozwiązuje to czterema podejściami. Po pierwsze systematycznie mierzy inflację tokenów dla różnych modeli i typów zadań. Po drugie wprowadza metrykę CoT Branching Entropy - sygnał trudności obliczany ze statystyk lokalnej inferencji, który przewiduje wysoką inflację z dokładnością AUROC 0,887. Po trzecie, zamiast tradycyjnych matrycznych cen, używa Semantic Exchange Rate dzielącego spodziewaną dokładność przez przewidywany rzeczywisty koszt. Czwartym elementem jest fresh-escalation policy, która odrzuca niezdane łańcuchy rozumowania zamiast je przesyłać do silniejszego modelu - co jest istotne, bo badacze wykazali, że przesłanie niezdanego łańcucha do GPT-4o obniża jego dokładność o 34,8 punktu procentowego.
W praktyce oznacza to znaczną poprawę. Na benchmarku GSM8K przy stałym budżecie tokenów InflationAgent osiąga 94,7% dokładności wobec 91,0% dla istniejącego rozwiązania FrugalGPT, jednocześnie zużywając 31% mniej tokenów. Badania pokazują, że ignorowanie inflacji tokenów prowadzi do niedoszacowania rzeczywistych kosztów o ponad 2 razy na trudnych zadaniach.