Fork-and-Flush: qué contexto borra y qué conserva un agente de IA

Fork-and-Flush reinicia el contexto conversacional de un agente, conserva sus archivos de trabajo y abre ramas paralelas. En una ablación de 11 tareas, la combinación obtuvo la puntuación media normalizada más alta. Los autores evaluaron agentes de investigación automatizada (autoresearch) de larga duración, no la eliminación de conversaciones guardadas en un chatbot de consumo.

Qué borra y qué conserva Fork-and-Flush

Un agente de autoresearch propone soluciones, las prueba y utiliza los resultados para orientar nuevos experimentos. En Fork-and-Flush, las ramas parten del espacio de trabajo existente —incluidos los archivos creados por el agente—, pero comienzan con el contexto conversacional heredado vacío. Tras un periodo fijo de exploración, continúa la rama con mejor puntuación y se descartan las demás, según describen los autores en Fork-and-Flush: Escaping Idea Basins in Autoresearch Agents.

La distinción práctica está entre la conversación que guía al agente y el trabajo que deja guardado: se reinicia la primera, mientras que los archivos permanecen en el espacio de trabajo. Así, el método permite probar nuevas ramas sin empezar de cero con los resultados anteriores.

Qué aporta cada componente

La ablación de 11 tareas comparó una ejecución individual, el reinicio del contexto por sí solo, la ramificación por sí sola y el método combinado. La puntuación media normalizada convierte las puntuaciones de las tareas a una escala común para calcular un promedio; en esta comparación, una cifra mayor indica un resultado más alto.

Los autores informaron estas puntuaciones en su ablación de 11 tareas. En esa prueba, cada componente por separado superó a la ejecución individual, y la combinación alcanzó la media más alta. La comparación permite distinguir el resultado del reinicio aislado del obtenido al añadir ramas paralelas.

Una evaluación distinta, con 13 tareas

En la evaluación principal, los autores compararon las tres condiciones con presupuestos de cómputo iguales. La puntuación media normalizada fue de 0,78 para Fork-and-Flush, 0,47 para una ejecución individual y 0,54 para la mejor de cuatro ejecuciones, según el estudio.

Fork-and-Flush obtuvo la media más alta en 12 de las 13 tareas. Su desviación estándar normalizada media —una medida de dispersión entre resultados— fue también la menor de las tres condiciones. Los autores expresaron la diferencia de la puntuación media como una mejora relativa del 66,0 % frente a una ejecución individual y del 44,4 % frente a la mejor de cuatro.

El 0,78 corresponde a esta evaluación principal de 13 tareas; el 0,71 pertenece a la ablación de 11 tareas. Son resultados de comparaciones distintas.

El entorno y la escala de las pruebas

Todas las condiciones utilizaron GitHub Copilot CLI versión 1.0.73, con el mismo agente de programación, las mismas herramientas, instrucciones y espacio de trabajo. GPT-5.6-terra, con un nivel alto de razonamiento, se empleó en 11 tareas; GPT-5.5, con un nivel extraalto, se usó para las tareas de kernel y tinyCIFAR.

En la configuración de Fork-and-Flush se utilizaban cuatro agentes en cada una de tres ramificaciones: una inicial y dos más, activadas al alcanzar el 33 % y el 66 % del presupuesto. Cada rama recibía aproximadamente el 6 % del presupuesto total para explorar. Las tareas incluían problemas de optimización, criptanálisis, inferencia científica y diseño de sistemas; algunas ejecuciones duraron hasta 107 horas.

El artículo también presenta un análisis separado con Qwen3.5-4B, Qwen3.5-9B y Qwen3.5-27B sobre fórmulas aleatorias 3-CNF de entre 10 y 100.000 variables. Los autores describieron una relación en forma de U invertida entre el nivel de logro y la dispersión, con un máximo cerca de a = 0,497. La versión 1 del artículo en arXiv lleva fecha del 5 de octubre de 2026.