Microsoft-forskere utvikler metode for å forbedre autonome KI-agenter ved å slette chat-historikk
15. oktober 2026 · 2 min lesing
Også publisert på עברית, Svenska, Español, Português (Brasil), Italiano
Microsoft Research har utviklet en metode kalt Fork-and-Flush som forbedrer ytelsen til autonome KI-agenter ved å slette chat-konteksten deres. Forskningen viser at agenter kan bli fanget i såkalte ide-senker, hvor de bruker store deler av regnekapasiteten på å forfine dårlige løsninger i stedet for å finne bedre tilnærminger.
Metoden kombinerer to mekanismer. Ved forgrening deles agenten inn i flere parallelle baner som alle arver det eksisterende arbeidsområdet med filer og resultater. Ved tømming slettes hele chat-historikken, slik at hver bane starter en ny samtale, men bygger videre på tidligere arbeid. Dette gjenoppretter mangfoldet i søket etter løsninger, mens koden og filene bevares.
I tester på 13 langtidsoppgaver, inkludert kryptanalyse og optimalisering av kjerner, ble GPT-5.6-terra og GPT-5.5 brukt via GitHub Copilot CLI. Oppgavene tok fra flere timer til over 100 timer å gjennomføre. Fork-and-Flush oppnådde en normalisert gjennomsnittsscore på 0,78, sammenlignet med 0,47 for enkelte gjennomløp og 0,54 for Best-of-4. Dette utgjør en relativ forbedring på 66,0 prosent og 44,4 prosent med samme regnebudsjett.
Resultatene var mer konsistente, med en normalisert standardavvik som sank til 0,16 fra 0,26 ved enkelte gjennomløp. Metoden ga den høyeste gjennomsnittsverdien i 12 av 13 oppgaver. Selv det å bare slette chat-konteksten uten forgrening forbedret resultatene med 22 prosent.
Forskerne undersøkte også om kraftigere modeller løser problemet med ide-senker ved å teste Qwen3.5-4B, 9B og 27B på MAX-3-SAT-problemer. De fant at variansen mellom gjennomløp er høyest når oppgaven ligger akkurat på grensen av modellens evner. Siden åpne forskningsproblemer vanligvis ligger på denne grensen, forventer forfatterne at behovet for regelmessige kontekst-omstarter vil vedvare også for fremtidige, sterkere modeller.