생성된 토큰은 생성형 AI(GAI) 코드 편집의 비용, 지연 시간 및 에너지에 직접적인 영향을 미칩니다. 우리는 피드백의 형식이 이 세 가지 요소 모두에 대한 레버리지임을 보여줍니다. 동일한 요청 변경 사항 두 가지 전달 방식, 즉 전체 프롬프트(대조군)와 FileMark의 구조화되고 라인 기반으로 고정된 내보내기(실험군)를 비교합니다. FileMark는 모든 파일에 인라인 주석을 추가하는 VSCodium 확장 프로그램입니다. 쌍을 이루는 실험에서 라인 고정을 사용한 피드백은 토큰을 22% (Claude Opus) 및 58% (Claude Sonnet) 절감했으며, 100줄 이상의 파일에서는 24%-80%까지 절감하여, 총 일곱 개 모델 중 네 개가 다중 테스트 보정 후 유의미하게 적은 토큰을 생성했습니다. 정확도는 모델에 여유 공간이 있을 때 증가했는데: 통합적으로 +2.0점, 그리고 다섯 개의 로컬 모델 중 세 개에서 +5점에서 +7점이었습니다. 하네스(harness)가 GAI 모델이 아닌 함수 수준 패치를 적용하는 탐색적 실험에서는 편집 적용 부담을 줄일 때 정확도 이점이 더욱 커지는 것을 보여줍니다: 100줄 이상 파일에 대한 로컬 모델의 정확도는 고정화(anchoring)를 통해 대략 세 배로 증가합니다. 라인 기반 피드백은 강력한 모델이 사용하는 양을 줄이고, 약한 모델이 올바르게 수행하는 부분을 개선합니다.