Microsoft Research presenterar metod för att förbättra AI-agenter genom att radera chatthistorik
15 oktober 2026 · 2 min läsning
Även publicerad på עברית, Norsk, Español, Português (Brasil), Italiano
Forskare från Microsoft Research har utvecklat en metod som kallas Fork-and-Flush för att förhindra att autonoma AI-agenter fastnar i ineffektiva lösningsmönster. Studien visar att agenter ofta blir fångade i så kallade idé-senkor, vilket innebär att de spenderar stora delar av sin beräkningsbudget på att förfina lösningar inom en begränsad region istället för att hitta bättre ansatser.
Metoden Fork-and-Flush fungerar genom att dela upp agenten i flera parallella banor. Vid varje sådan delning raderas hela chatthistoriken så att varje bana startar med en ny konversation, men behåller det tidigare arbetsområdet med alla skapade filer och resultat. Detta återställer sökdiversiteten eftersom den tidigare argumentationen inte längre styr agentens nästa steg.
I tester på 13 långsiktiga uppgifter, inklusive kryptanalys och optimering av VLIW-kärnor, uppnådde Fork-and-Flush en genomsnittlig normaliserad poäng på 0,78. Detta är en relativ förbättring med 66,0 procent jämfört med enstaka körningar, som hade en poäng på 0,47. Metoden gav det högsta medelvärdet i 12 av de 13 uppgifterna och resulterade i mer konsekventa resultat, där den normaliserade standardavvikelsen sjönk till 0,16 från 0,026.
Försöken genomfördes med modellerna GPT-5.6-terra och GPT-5.5 via GitHub Copilot CLI. Körningarna varierade i tid från några timmar upp till över 100 timmar. Forskarna noterade att även enbart radering av chatthistoriken, utan förgrening, förbättrade resultaten med 22 procent.
Studien undersökte även om kraftfullare modeller kan undvika problemet med idé-senkor genom tester med MAX-3-SAT-problem med Qwen3.5-modellerna i storlekarna 4B, 9B och 27B. Resultaten visade att variansen mellan körningar är som högst när en uppgift ligger precis på gränsen för modellens förmåga. Forskarna förväntar sig därför att behovet av regelbundna omstarter av kontexten kommer att kvarstå även för framtida och starkare modeller.