Microsoft Research пропонує Fork-and-Flush: агент розгалужується на паралельні гілки й скидає історію чату, зберігаючи файли. На тому самому бюджеті його нормалізований бал на 66% вищий, ніж у одиночного запуску, за даними The Decoder.
Для білдера тут головне: стиснення історії не виводить агента із застряглого басейну. Агенти в дослідженні періодично стискали розмову, але їхні рішення все одно трималися в одній ділянці пошуку. Допомагає повне скидання контексту, якщо код і результати лежать у робочій директорії.
Чому агент застрягає, навіть коли обчислень стає більше?
Накопичений контекст розмови може обмежувати пошук агента і тримати його біля схожих ідей. Вісім незалежних запусків того самого агента на тій самій задачі зупинилися на різних рівнях: підсумкові бали від 68,3 до 100,0. Різниця зберігалася і за суттєво більших обчислень.
Дослідники нанесли рішення з усіх запусків на двовимірну карту, де схожі рішення лежать поруч. Рішення одного запуску майже завжди трималися в малій області; автори називають такі області «ідейними басейнами». Значну частину решти бюджету агент витрачає на доопрацювання в менш продуктивному басейні, а не на пошук підходів, які знайшли інші запуски.
Як працює Fork-and-Flush і скільки він дає?
Fork-and-Flush поєднує розгалуження (forking) і скидання (flushing): агент ділиться на K паралельних гілок, кожна успадковує робочу директорію з усіма згенерованими файлами, але втрачає весь контекст чату. Гілка, що зберегла контекст батьківського процесу, часто повертається до того самого басейну, бо попередні міркування скеровують наступні кроки. Свіжий контекст відновлює різноманітність пошуку, а код, файли й результати лишаються.
Метод перевірили на 13 довгих задачах: пакування поліміно, розклад job-shop, криптоаналіз, стиснення класифікатора CIFAR, оптимізація VLIW-ядра. Запуски тривали від кількох годин до понад 100 годин. Агенти працювали на GPT-5.6-terra і GPT-5.5 через GitHub Copilot CLI. Усі 13 задач мали числовий бал, тож висновки стосуються саме задач із таким балом. Цифри наведено за переказом The Decoder; оригінальну статтю дослідників ця публікація не перевіряла.
На тому самому бюджеті середній min-max-нормалізований бал вийшов таким:
- Fork-and-Flush: 0,78;
- best-of-4 (найкращий із чотирьох запусків): 0,54;
- одиночний запуск: 0,47.
Відносний приріст становить 66,0% до одиночного запуску і 44,4% до best-of-4. Найвищий середній бал метод показав на 12 із 13 задач. Нормалізоване стандартне відхилення впало з 0,26 до 0,16, тож результати стали стабільнішими. Просте очищення контексту без розгалуження покращило результати на 22%.
Чи зникне проблема з сильнішими моделями?
Автори очікують, що ні: різниця між запусками залежить від того, наскільки задача близька до межі можливостей моделі. На задачах MAX-3-SAT для Qwen3.5-4B, 9B і 27B вона мала форму перевернутої U: найбільшою була на задачах приблизно посередині між результатом випадкового вгадування і результатом референсного розв'язувача.
Відкриті дослідницькі задачі за означенням лежать на межі можливостей моделей. Тому автори очікують, що варіативність, яку використовує Fork-and-Flush, збережеться, а межа лише зсунеться до складніших задач. Звідси їхній висновок: регулярні скидання контексту можуть лишатися корисними навіть для frontier-агентів.
Що робити зараз
Ці поради спираються на задачі з числовим балом. Для звичайних кодових асистентів вони ще не перевірені.
- Коли оцінки агента перестали зростати, перезапустіть сесію з порожнім контекстом у тій самій робочій директорії замість стиснення історії. У дослідженні просте скидання без розгалуження дало +22%, а періодичне стиснення історії не вивело агентів з басейнів. Частоту скидань джерело не називає.
- Перед скиданням переконайтеся, що код, проміжні результати й нотатки лежать у файлах, а не лише в чаті: скидання працює саме тому, що робоча директорія переживає розмову.
- Замість best-of-4 розгалужуйте один робочий каталог на гілки зі свіжим контекстом: 0,78 проти 0,54. Кількість гілок K у джерелі не названо.
