Fork-and-Flush efface le contexte, pas le travail des agents IA

Dans l’ablation menée sur 11 tâches, la méthode combinée Fork-and-Flush obtient un score moyen normalisé de 0,71, contre 0,55 pour la purge seule, 0,57 pour le branchement seul et 0,45 pour une exécution unique. Ces résultats, rapportés par les auteurs de l’étude, concernent des agents de recherche et d’ingénierie fonctionnant sur de longues durées. Ils distinguent le rôle de chaque composant sans transformer le test en règle générale pour les agents d’IA.

Ce que Fork-and-Flush efface et conserve

Fork-and-Flush crée plusieurs branches de travail, réinitialise leur contexte conversationnel hérité et conserve l’espace de travail, notamment les fichiers produits par l’agent. Après une période d’exploration définie, la branche qui obtient le meilleur score devient la nouvelle branche principale ; les autres sont abandonnées.

Dans ce protocole, « effacer le contexte » ne signifie donc pas effacer le travail accumulé dans les fichiers. Le système repart avec un contexte conversationnel vierge, mais peut s’appuyer sur les productions conservées dans l’espace de travail. L’autoresearch désigne ici une boucle où un agent propose des solutions, les teste, puis utilise les résultats pour guider les essais suivants.

L’ablation départage les composants

Les quatre conditions de l’ablation portent sur 11 tâches et utilisent le même score moyen normalisé :

La purge seule et le branchement seul dépassent chacun l’exécution unique dans cette ablation. La méthode combinée obtient le score le plus élevé des quatre conditions. Le résultat éclaire ainsi une question précise : la remise à zéro du contexte n’explique pas à elle seule le score de la combinaison, et le test ne permet pas d’attribuer à chaque composant une part isolée du résultat.

Un résultat distinct sur 13 tâches

Dans l’évaluation principale, menée sur 13 tâches avec des budgets de calcul égaux, Fork-and-Flush atteint un score moyen normalisé de 0,78. L’exécution unique obtient 0,47 et la méthode « best-of-four » 0,54. Les auteurs indiquent aussi que Fork-and-Flush affiche le score moyen le plus élevé sur 12 des 13 tâches.

Cette évaluation principale et l’ablation répondent à des comparaisons différentes : les scores de 0,78 et de 0,71 ne proviennent pas du même ensemble de tâches. Pour la dispersion normalisée moyenne des résultats, l’étude rapporte 0,16 avec Fork-and-Flush, 0,26 avec une exécution unique et 0,21 avec « best-of-four ».

Les conditions de l’essai

Les expériences utilisent GitHub Copilot CLI version 1.0.73, avec le même agent de programmation, les mêmes outils, le même prompt et le même espace de travail pour les différentes conditions. GPT-5.6-terra, avec un effort de raisonnement élevé, est utilisé pour 11 tâches ; GPT-5.5, avec un effort très élevé, sert aux tâches kernel et tinyCIFAR.

La configuration Fork-and-Flush lance quatre agents à chaque embranchement : une première fois, puis à 33 % et à 66 % du budget total. Chaque branche reçoit un budget d’exploration d’environ 0,06 B, soit 6 % du budget total. Les essais individuels durent de plusieurs heures à plusieurs jours, jusqu’à 107 heures selon l’étude.

Une analyse distincte porte sur Qwen3.5-4B, Qwen3.5-9B et Qwen3.5-27B, évalués sur des formules aléatoires 3-CNF comportant de 10 à 100 000 variables. Les auteurs y rapportent une relation en U inversé entre le niveau d’atteinte et la dispersion, avec un sommet proche de 0,497.

La version 1 de l’article sur arXiv est datée du 5 octobre 2026.