프런티어 언어 모델(Frontier language models)은 저장소 수준(repository-level)의 소프트웨어 문제를 해결할 수 있지만, 각 시도는 비용이 많이 들며, 기존의 라우터(routers)는 이슈 텍스트만으로 모델을 선택합니다. 우리는 저장소를 먼저 탐색(scouting)한 후 라우팅을 수행하는 SuperScout를 제안합니다. 7B 규모의 탐색기(searcher)인 SuperScout-7B가 먼저 저장소를 탐색하고, 재현 주장(reproduction claims)이 샌드박스(sandbox)에서 검증되며 전달 전 허위 주장이 제거된 구조화된 핸드오프(handoff)를 생성합니다. 그 후 탐색기의 은닉 상태(hidden states)를 작업 텍스트와 함께 재개 기반 라우터(resume-based router)에 입력하여, 작업을 네 가지 프런티어 해결사(frontier fixers) 중 하나로 배정합니다. 새로운 해결사를 추가할 때 재학습은 필요하지 않습니다. 벤치마크의 공식 제한 예산 계층(capped budget tier) 하에서 SWE-bench Pro의 전체 Python 슬라이스(266개 작업)를 대상으로 테스트했을 때, SuperScout는 최상의 단일 모델의 해결률(266개 중 SuperScout 159개, 최상 모델 158개)과 맞먹으면서도 해결당 총 비용은 약 5분의 1 수준입니다. 보고된 설정은 무작위 트래픽 분할(random traffic-splitting) 베이스라인보다 높은 성능을 보입니다. 라우터가 없는 절제 연구(ablation)로서 핸드오프와 함께 항상 가장 저렴한 해결사를 사용하는 경우, 이 벤치마크에서 라우팅된 시스템과 동일한 성능을 보였으며, 이는 라우팅 결정보다는 핸드오프 자체가 결과에 기여함을 의미합니다. 쌍을 이룬 보정 연구(paired calibration study)는 그 메커니즘을 지적합니다. 핸드오프는 해결 능력을 추가하기보다는 재분배하는 것으로 보이며, 가장 강력한 모델의 성능은 약간 저하시키는 반면 세 개의 더 저렴한 해결사 성능은 향상시킵니다. 다만 $N=99$일 때 해결사별 효과는 방향성만 나타납니다. 탐색기의 은닉 상태는 보정 레이블(calibration labels)에서 비용 효율적인 라우팅을 개선하지만, 핸드오프 자체의 텍스트는 그렇지 않습니다. 탐색기의 연산 비용은 작업당 GPU 시간으로 0.5센트 미만입니다.