In der 11-Aufgaben-Ablation erzielte der kombinierte Ansatz Fork-and-Flush mit 0,71 den höchsten normalisierten Durchschnittswert. Die beiden Einzelbausteine lagen ebenfalls über dem Einzellauf. Die Autoren der Studie untersuchten dafür lang laufende Autoresearch-Agenten: Systeme, die Lösungen vorschlagen, testen und anhand des Feedbacks weiterentwickeln.
Was Fork-and-Flush löscht und was bleibt
Das Verfahren setzt den übernommenen Gesprächskontext eines Agenten zurück, behält aber dessen Arbeitsbereich samt erzeugten Dateien. Es startet daraus mehrere parallele Zweige. Nach einer festgelegten Erkundungsphase wird der Zweig mit der höchsten Bewertung weitergeführt; die übrigen werden verworfen.
Damit trennt Fork-and-Flush zwei Dinge, die leicht unter „Chatverlauf“ zusammenfallen: den Gesprächskontext und die Arbeitsergebnisse. Gelöscht wird der geerbte Kontext, nicht der gespeicherte Arbeitsstand.
Was der Vergleich der Varianten zeigt
Die folgende Ablation umfasst 11 Aufgaben. Ein min-max-normalisierter Durchschnittswert fasst dabei die auf eine gemeinsame Skala übertragenen Aufgabenergebnisse zusammen.
| Bedingung | Normalisierter Durchschnittswert |
| Einzellauf | 0,45 |
| Nur Kontext-Reset (Flush-only) | 0,55 |
| Nur parallele Verzweigung (Fork-only) | 0,57 |
| Fork-and-Flush kombiniert | 0,71 |
In diesem Test lagen sowohl der Kontext-Reset allein als auch die Verzweigung allein über dem Einzellauf; den höchsten Wert erreichte die Kombination. Die Zahlen zeigen die Ergebnisse dieser Ablation, nicht den isolierten Kausalbeitrag jedes Bausteins.
Wie der Haupttest davon abweicht
Eine separate Hauptauswertung verglich 13 Forschungs- und Entwicklungsaufgaben bei gleichem Rechenbudget. Fork-and-Flush erreichte einen min-max-normalisierten Durchschnittswert von 0,78, gegenüber 0,47 für den Einzellauf und 0,54 für Best-of-four.
| Bedingung | Normalisierter Durchschnittswert |
| Fork-and-Flush | 0,78 |
| Einzellauf | 0,47 |
| Best-of-four | 0,54 |
Fork-and-Flush erzielte außerdem bei 12 der 13 Aufgaben den höchsten Mittelwert. Die durchschnittliche normalisierte Standardabweichung lag bei 0,16; zum Vergleich betrug sie 0,26 beim Einzellauf und 0,21 bei Best-of-four.
Der getestete Aufbau
Die Versuche liefen mit GitHub Copilot CLI 1.0.73. Für 11 Aufgaben kam GPT-5.6-terra mit hoher Reasoning-Stufe zum Einsatz; bei der Kernel-Aufgabe und tinyCIFAR verwendeten die Autoren GPT-5.5 mit extra hoher Reasoning-Stufe. In jeder Verzweigungsrunde arbeiteten vier Agenten parallel. Auf die erste Verzweigung folgten weitere bei 33 und 66 Prozent des Gesamtbudgets; jeder Zweig erhielt rund sechs Prozent des Gesamtbudgets als Erkundungsbudget.
Die 13 Aufgaben umfassten unter anderem Polyomino-Packprobleme, Job-Shop-Planung, Kryptanalyse und wissenschaftliche Schlussfolgerungen. Einzelne Läufe dauerten mehrere Stunden bis zu 107 Stunden.
Für welche Agenten die Ergebnisse gelten
Die Studie untersucht einen bestimmten Aufbau für lang laufende Autoresearch-Aufgaben. Sie prüft nicht, ob das Löschen gespeicherter Chatverläufe in Verbraucher-Chatbots deren Leistung verbessert.
Die arXiv-Version des Papers trägt das Datum 5. Oktober 2026.
