Xóa Lịch Sử Trao Đổi Giúp AI Agent Tìm Lời Giải Tốt Hơn

Nhóm nghiên cứu gọi các hệ này là Autoresearch agents. Chúng liên tục đề xuất lời giải, tự đánh giá rồi chỉnh sửa dựa trên phản hồi. Trong 8 lần chạy độc lập trên cùng một nhiệm vụ, điểm cuối cùng dao động từ 68,3 đến 100,0, và khoảng cách này vẫn còn dù thêm nhiều năng lực tính toán.

Nhóm nghiên cứu đặt các lời giải lên một bản đồ hai chiều để những lời giải giống nhau nằm gần nhau rồi so sánh chúng. Lời giải từ một lần chạy gần như luôn nằm trong một vùng nhỏ, mà tác giả gọi là vùng ý tưởng. Các agent thường bị giữ lại trong vùng đó thay vì đi tìm các cách làm tốt hơn từ những lần chạy khác.

Fork-and-Flush gồm 2 cơ chế. Ở bước tách nhánh, agent tách thành K nhánh song song, mỗi nhánh giữ không gian làm việc, các file đã tạo và phần việc trước đó. Ở bước xóa sạch, mỗi nhánh mất toàn bộ ngữ cảnh trò chuyện nhưng vẫn giữ không gian làm việc để bắt đầu cuộc trao đổi mới và tiếp tục trên phần việc cũ.

Một nhánh còn giữ ngữ cảnh của tiến trình cha thường quay lại cùng một vùng ý tưởng vì phần lập luận trước đó kéo bước tiếp theo đi theo hướng cũ. Ngữ cảnh mới giúp đa dạng hơn khi tìm kiếm. Lịch sử trò chuyện mất đi, nhưng code, tệp và kết quả đã lưu vẫn còn trong không gian làm việc.

Nhóm nghiên cứu thử Fork-and-Flush trên 13 nhiệm vụ dài hơi, gồm xếp khối đa ô, lập lịch công việc trong xưởng, phân tích mật mã, nén một bộ phân loại CIFAR và tối ưu một nhân lệnh rất dài. Mỗi lần chạy kéo dài từ vài giờ đến hơn 100 giờ, và các agent dùng GPT-5.6-terra cùng GPT-5.5 qua giao diện dòng lệnh GitHub Copilot.

Cùng một ngân sách năng lực tính toán, Fork-and-Flush đạt điểm trung bình sau chuẩn hóa theo giá trị thấp nhất và cao nhất là 0,78, so với 0,47 cho một lần chạy đơn lẻ và 0,54 cho tổ hợp tốt nhất trong 4. Mức tăng tương đối là 66,0% và 44,4%, và phương pháp này đạt điểm trung bình cao nhất ở 12 trong 13 nhiệm vụ. Phương pháp này cũng làm độ lệch chuẩn sau chuẩn hóa giảm còn 0,16 từ 0,26, còn chỉ xóa ngữ cảnh trò chuyện mà không tách nhánh cũng cải thiện kết quả 22%.

Nhóm nghiên cứu còn thử trên các bài MAX-3-SAT với 3 cỡ model Qwen3.5-4B, 9B và 27B. Phương sai giữa các lần chạy đi theo đường cong hình chữ U ngược.