Scroll 1.2 vs Scroll 1 Scroll 1.2 vs Scroll 1

The gain is not uniform, and where it lands is the evidence상승은 고르지 않고, 어디에 내려앉는지가 증거입니다

Scroll 1.2 is the next generation of the Scroll memory tier. On the full LongMemEval-S benchmark, 500 questions across six categories, five independent runs, it scores 92.3% ± 0.4, up 1.6 points from Scroll 1's 90.7% ± 0.5. The improvement is not spread evenly. It concentrates in temporal reasoning (+5.7) and multi-session synthesis (+2.0), the two categories where the answer is assembled from pieces laid down at different times, and it is flat on the single-session categories that were already near the ceiling. A gain that appears exactly where evidence is scattered, and not elsewhere, is what you would expect from an engine change that targets that specific failure mode rather than a broad, unexplained lift. Scroll 1.2는 Scroll 기억 단계의 다음 세대입니다. 500문항, 6개 카테고리, 5회 독립 실행의 전체 LongMemEval-S에서 92.3% ± 0.4를 기록해 Scroll 1의 90.7% ± 0.5에서 1.6점 올라섰습니다. 이 상승은 고르게 퍼져 있지 않습니다. 시간 추론(+5.7)과 멀티 세션 종합(+2.0)에 몰려 있는데, 서로 다른 시점에 놓인 조각들을 모아야 답이 되는 두 카테고리입니다. 반면 이미 천장에 가까웠던 단일 세션 카테고리에서는 평평합니다. 증거가 흩어진 자리에 정확히, 그리고 다른 곳이 아니라 거기에만 나타나는 상승은, 넓고 설명 없는 향상이 아니라 그 특정 실패 유형을 겨냥한 엔진 변화에서 기대할 수 있는 모습입니다.

Every run clears every run모든 회차가 모든 회차를 넘습니다

The cleanest way to read the difference is the run distribution. Across five independent runs each, Scroll 1.2's lowest run (91.8) still exceeds Scroll 1's highest (91.6). The two distributions do not overlap at all. A Welch t-test gives p < 0.005, and because the sets are completely separated the exact rank-based probability of that arrangement under the null is 1/252. The separation is real even on a five-run sample. 차이를 가장 깔끔하게 읽는 방법은 회차 분포입니다. 각 다섯 회차에서, Scroll 1.2의 최저 회차(91.8)가 Scroll 1의 최고 회차(91.6)보다 높습니다. 두 분포는 전혀 겹치지 않습니다. Welch t-검정은 p < 0.005이고, 두 집합이 완전히 분리되어 있으므로 귀무가설 아래 그 배열이 나올 순위 기반 확률은 1/252입니다. 다섯 회차 표본에서도 이 분리는 실재합니다.

Higher accuracy without more delivery더 많이 전달하지 않고 올린 정확도

The improvement did not come from handing the reader more text. Scroll 1.2 delivers a small, bounded context, a fraction of the full record, and does not increase delivered tokens over Scroll 1. The new generation scores higher without costing the customer more delivered tokens per query. How the engine achieves this is proprietary and outside the scope of the report; what the report measures is that the accuracy rose while the delivered context stayed bounded. 이 향상은 리더에게 더 많은 텍스트를 건네서 얻은 것이 아닙니다. Scroll 1.2는 전체 기록의 일부인, 작고 한정된 맥락을 전달하며, Scroll 1보다 전달 토큰을 늘리지 않습니다. 새 세대는 쿼리당 고객이 부담하는 전달 토큰을 더 늘리지 않고 더 높은 점수를 냅니다. 엔진이 이를 어떻게 달성하는지는 비공개이며 리포트의 범위 밖입니다. 리포트가 재는 것은, 전달 맥락이 한정된 채로 정확도가 올랐다는 사실입니다.

The headline is a conservative lower bound헤드라인은 보수적 하한입니다

One asymmetry runs through the whole comparison and works against the headline. Scroll 1's published numbers were produced with a higher-scoring reader than the one used for Scroll 1.2, which marks about two points lower on identical systems. Rather than re-measure Scroll 1 optimistically, or quietly drop the comparison, we report the raw difference, label it a lower bound, and name the definitive fix, a same-reader rerun of Scroll 1. When the measurement is tilted against the new system and it still wins on every run, the result is more credible, not less. This is the same discipline the earlier Wontopos reports used: publish the protocol and every run, separate what is measured from what is inferred, report no best-of number, and let the comparison be re-run rather than believed. 한 가지 비대칭이 비교 전체를 관통하며 헤드라인에 불리하게 작용합니다. Scroll 1의 공개 수치는 Scroll 1.2에 쓴 것보다 높게 채점하는 리더로 나왔고, 그 리더는 동일 시스템에서 약 2점 낮게 매깁니다. Scroll 1을 후하게 다시 재거나 비교를 슬쩍 빼는 대신, 우리는 원차이를 그대로 보고하고 하한이라 이름 붙이며, 확정적 해법인 동일 리더로의 Scroll 1 재실행을 밝힙니다. 측정이 새 시스템에 불리하게 기울어 있는데도 모든 회차에서 이긴다면, 결과는 덜 미덥지 않고 더 미덥습니다. 이는 앞선 Wontopos 리포트들이 지킨 규율과 같습니다. 프로토콜과 모든 회차를 공개하고, 측정한 것과 추론한 것을 구분하며, 골라낸 최고 기록을 쓰지 않고, 믿게 하기보다 다시 돌려볼 수 있게 합니다.

The open frontier남은 최전선

Multi-session, at 85.9, remains the honest open frontier. More than half of the questions that stay hardest there are of one kind: the ones that ask for a total, a count, a sum that requires collecting every scattered instance of a fact across the history. Retrieval that returns what is relevant does not by itself guarantee what is exhaustive, and closing that gap is a different problem from the one solved here. It points at aggregation, not recall, as the next lever. We say so plainly rather than rounding it away. 멀티 세션은 85.9로 정직한 최전선으로 남아 있습니다. 거기서 끝까지 어려운 문항의 절반 이상이 한 종류입니다. 합계, 횟수, 총량을 묻는 질문들로, 히스토리에 흩어진 한 사실의 모든 사례를 빠짐없이 모아야 하는 것들입니다. 관련된 것을 돌려주는 검색은 그 자체로 빠짐없음을 보장하지 못하며, 그 간극을 좁히는 일은 여기서 푼 문제와 다른 문제입니다. 다음 레버는 검색이 아니라 집계를 가리킵니다. 우리는 그것을 반올림해 지우는 대신 그대로 말합니다.

Conflict of interest이해충돌

These are our own products, and this report was written by the person who builds them. To offset that we publish every run, report no best-of number, and foreground the one confound, a lower-scoring reader, that pushes the headline down. The benchmark is a public dataset, and a third party can re-run the identical protocol at the black-box API boundary with a Wontopos memory key and their own reader and judge keys. Engine internals stay undisclosed; the contribution is the measured, honestly bounded improvement over the prior generation, presented so it can be re-run rather than trusted. 이것들은 우리 제품이고, 이 리포트는 그것을 만든 사람이 썼습니다. 이를 상쇄하기 위해 모든 회차를 공개하고, 골라낸 최고 기록을 쓰지 않으며, 헤드라인을 끌어내리는 유일한 교란 요인인 더 낮게 채점하는 리더를 앞세웁니다. 벤치마크는 공개 데이터셋이고, 제3자는 Wontopos 기억 키와 자신의 리더·판정자 키로 블랙박스 API 경계에서 동일한 프로토콜을 다시 돌릴 수 있습니다. 엔진 내부는 공개하지 않습니다. 이 리포트의 기여는 이전 세대 대비 측정되고 정직하게 하한이 매겨진 향상을, 믿기보다 다시 돌려볼 수 있도록 제시한 것입니다.