Долгие исследовательские задачи могут загонять ИИ-агента в один и тот же круг идей. Исследование Microsoft Research показывает: если разделить работу на параллельные ветви, очистить им историю разговора, но сохранить код и файлы, агент чаще выходит к другому подходу и получает более высокий результат.
Суть события
Речь идёт об агентах, которые много раз предлагают решение, проверяют его и улучшают по обратной связи. Восемь независимых запусков одной и той же системы на одной задаче остановились на заметно разных уровнях: итоговые оценки оказались в диапазоне от 68,3 до 100 баллов. Дополнительные вычисления не устранили разрыв.
Исследователи связывают это с накопленным контекстом разговора. Предыдущие рассуждения направляют следующие шаги в похожую область решений — так называемый «бассейн идей». Агент может долго шлифовать не самый удачный вариант, не проверяя другой путь.
Как работает Fork-and-Flush
Предложенный метод Fork-and-Flush сочетает два действия. Сначала агент создаёт K параллельных ветвей: каждая получает прежнее рабочее пространство и созданные файлы. Затем у каждой ветви очищают весь контекст чата, но оставляют результаты работы. Новый разговор начинается с уже подготовленными материалами, без прежней цепочки рассуждений.
Это важное различие: сбрасывается не проект, а память диалога. Ветка может увидеть те же файлы свежим взглядом и попробовать другой подход. После этого выбирают лучшую ветвь, а остальные отбрасывают. В статье о фреймворках для ИИ-агентов можно отдельно разобраться, как устроена инфраструктура таких систем — но сам Fork-and-Flush является методом организации поиска, а не новым фреймворком.
На 13 длительных задачах метод получил среднюю нормализованную оценку 0,78 против 0,47 у одиночных запусков и 0,54 у варианта best-of-4 при том же бюджете вычислений. Авторы сообщают о преимуществах 66,0% и 44,4% соответственно. Лучший средний результат получен на 12 из 13 задач. Отдельный сброс контекста без ветвления дал прирост около 22%.
Что это меняет для рабочих задач
Практический смысл понятен тем, кто запускает ИИ на многочасовые задачи: агент может не только работать дольше, но и получать шанс выйти из неудачного направления. Это особенно интересно для задач, где нет очевидного правильного шага — например, для планирования, упаковки фигур, криптоанализа или оптимизации программного кода.
Но результат не превращает очистку чата в универсальную кнопку улучшения. В исследовании сравнивали конкретный метод на 13 задачах, а отдельные запуски длились от нескольких часов до более чем 100 часов. Свежий контекст сохраняет файлы, но теряет объяснение прежних решений; значит, рабочее пространство должно быть достаточно понятным само по себе.
Что дальше
Авторы также проверили модели Qwen3.5-4B, 9B и 27B на задачах MAX-3-SAT. Разброс между запусками был максимальным на границе возможностей модели: слишком простые задачи почти всегда решались, а слишком сложные почти всегда проваливались. Поэтому более сильная модель сама по себе не гарантирует, что контекстные ограничения исчезнут.
Вывод осторожный: регулярные сбросы контекста могут оставаться полезными и для более мощных исследовательских агентов, хотя граница трудных задач будет смещаться. Для пользователя это означает простой контрольный вопрос: не тратит ли агент очередной час на улучшение одного неудачного решения, когда ему стоило начать новый разговор с теми же файлами.
