Naukowcy z arXiv formalnie sformułowali obliczeniowy arbitraż jako problem alokacji zasobów i dowiedzli, że w ogólnym przypadku jest NP-trudny - tzn. wyjątkowo trudny obliczeniowo. Arbitraż obliczeniowy polega na tym, że pośrednik kupuje inferenqę od portfela modeli o różnych kosztach i możliwościach, a następnie odsprzedaje wyniki użytkownikom z zyskiem. Dotychczasowe prace empirycznie wykazały, że strategia działa dla małych zbiorów modeli, ale skalowanie jej do dużych marketplace'ów wymaga algorytmów zarówno szybkich, jak i tanich w wdrażaniu.
Klucza innowacją zespołu jest pokazanie, że mimo ogólnej NP-trudności, optymalną alokację można obliczyć efektywnie pod warunkiem naturalnego zjawiska malejących zwrotów - kiedy wydajność modelu rośnie coraz wolniej w stosunku do wydanych pieniędzy. Naukowcy opracowali też metodę szybko szacującą wydajność modeli z ograniczonych danych, co znacznie obniża koszty początkowe identyfikacji strategii arbitrażowych.
Wyniki mają głębokie implikacje ekonomiczne dla rynków AI. Na optimum każdy finansowany model dostarcza tę samą użyteczność krańcową na dolara, arbitraż kieruje przychody od dostawców oferujących słabą wartość względem ceny, a nagradzane są specjalizacje modeli uzupełniające się wzajemnie. To może zmienić strukturę rynków modelowych, wpływając na strategie cenowe dostawców i rozdzielanie przychodów.