Microsoft Research propone Fork-and-Flush per migliorare gli agenti di intelligenza artificiale
15 ottobre 2026 · 2 min di lettura
Pubblicato anche in עברית, Norsk, Svenska, Español, Português (Brasil)
I ricercatori di Microsoft Research hanno sviluppato un metodo chiamato Fork-and-Flush per contrastare la tendenza degli agenti di intelligenza artificiale autonomi a rimanere bloccati in soluzioni inefficienti durante conversazioni lunghe.
Lo studio ha analizzato gli agenti di ricerca automatica, sistemi che propongono e valutano soluzioni in modo iterativo. I ricercatori hanno scoperto che questi agenti spesso rimangono intrappolati in aree di soluzione locali, definite come bacini di idee. In queste zone, l'agente spende gran parte del budget di calcolo per affinare soluzioni poco produttive invece di esplorare approcci migliori, a causa del contesto della chat accumulato che condiziona i passaggi successivi.
La tecnica Fork-and-Flush combina due meccanismi: il forking, che divide l'agente in più traiettorie parallele che ereditano l'area di lavoro e i file creati, e il flushing, che cancella l'intero contesto della chat. Questo permette a ogni traiettoria di iniziare una conversazione fresca pur basandosi sui risultati di lavoro precedenti, ripristinando la diversità della ricerca.
I test sono stati condotti su 13 compiti a lungo termine, tra cui la crittanalisi e l'ottimizzazione di un kernel VLIW, utilizzando i modelli GPT-5.6-terra e GPT-5.5 tramite GitHub Copilot CLI. I risultati mostrano che, a parità di budget di calcolo, Fork-and-Flush raggiunge un punteggio medio normalizzato di 0,78, rispetto allo 0,47 dei singoli cicli e allo 0,54 del metodo Best-of-4. Ciò rappresenta un miglioramento relativo del 66,0 percento rispetto ai singoli cicli.
La ricerca indica che anche il semplice atto di cancellare il contesto della chat senza ramificazioni migliora i risultati del 22 percento. Inoltre, l'analisi su modelli di diverse dimensioni, come Qwen3.5-4B, 9B e 27B, suggerisce che il problema dei bacini di idee non scompare con modelli più potenti, ma si sposta verso problemi più difficili, rendendo i riavvii del contesto utili anche per i futuri agenti di ricerca più avanzati.