우리는 지정가 주문장 (Limit Order Book, LOB) 예측에서 스케일링 법칙 (scaling-law) 스타일의 추론 연산 경계 (inference-compute frontier)가 나타나는지 연구합니다. FI-2010 데이터셋과 작은 결정 트리 (decision trees)부터 신경망 LOB 아키텍처에 이르는 다양한 모델 세트를 사용하여, 예측 손실 (predictive loss) 대 구조적 순방향 작업량 (structural forward work)의 실제 경험적 경계가 거듭제곱 법칙 (power law)에 의해 잘 요약된다는 것을 발견했습니다. 특히, MLPLOB를 하나의 아키텍처 제품군으로 제외했을 때, 저연산 및 중연산 비(非) MLPLOB 경계에 대한 거듭제곱 법칙 피팅은 여러 자릿수(orders of magnitude)에 걸쳐 외삽(extrapolate)되며, 제외된 고연산 MLPLOB 타겟 경계에 대해 $R^2=0.941$을 달성합니다. 지연 시간 (latency) 공간에서의 유사한 실험은 실질적으로 더 약한 결과를 보여주며, 이는 지연 시간이 단순히 노이즈가 섞인 연산이 아님을 나타냅니다. 우리는 이러한 차이를 바탕으로, 하드웨어 친화적인 시간적 및 특징 혼합 (temporal and feature mixing) 연산으로 구축된 밀집 축 분리형 (dense axis-separable) LOB 믹서인 FastBiNLOB를 제안합니다. 5개의 시드(seed)를 사용한 실험에서, FastBiNLOB는 기존에 발표된 SOTA 아키텍처들보다 현저히 낮은 지연 시간으로 발표된 $y_{10}$ 및 $y_{100}$ macro-F1 타겟을 초과 달성합니다.