Nell’ablazione su 11 attività, Fork-and-Flush ha ottenuto il punteggio medio normalizzato più alto: 0,71. Il metodo combina la ramificazione parallela degli agenti con l’azzeramento del contesto conversazionale ereditato, conservando lo spazio di lavoro e i file prodotti. Lo studio riguarda agenti di autoresearch a lungo termine, non la cancellazione delle chat salvate nei chatbot consumer. Il paper degli autori descrive sia il metodo sia i test.
Che cosa cancella Fork-and-Flush e che cosa conserva
L’autoresearch è un ciclo in cui un agente propone soluzioni, le mette alla prova e usa i risultati per preparare tentativi successivi. Fork-and-Flush crea più continuazioni a partire dallo spazio di lavoro esistente: ciascuna conserva i file e il lavoro già svolto, ma riparte senza il contesto conversazionale ereditato. Dopo un intervallo di esplorazione prestabilito, prosegue il ramo con il punteggio più alto e gli altri vengono scartati.
In questo modo la procedura interviene sulla conversazione che accompagna il lavoro, non sui suoi prodotti persistenti. La distinzione è centrale: i risultati riguardano agenti impegnati per ore o giorni in attività di ricerca e ingegneria, non una normale sessione di chat.
Che cosa mostra l’ablazione su 11 attività
Il punteggio medio normalizzato è la media dei risultati riportati su una scala normalizzata min-max. Nell’ablazione, i quattro valori permettono di confrontare l’esecuzione singola, ciascun componente isolato e il metodo combinato.
| Condizione | Punteggio medio normalizzato |
| Esecuzione singola | 0,45 |
| Solo reset del contesto | 0,55 |
| Sola ramificazione | 0,57 |
| Fork-and-Flush combinato | 0,71 |
In questo test, sia il solo reset sia la sola ramificazione hanno superato l’esecuzione singola; la combinazione ha ottenuto il risultato migliore. L’ablazione aiuta quindi a distinguere il contributo dei due elementi dal punteggio del metodo completo, senza estendere la graduatoria oltre queste 11 attività.
Il test principale è una valutazione distinta
Nel benchmark principale, gli autori hanno confrontato tre condizioni su 13 attività con budget di calcolo uguali. I punteggi medi normalizzati erano 0,78 per Fork-and-Flush, 0,47 per l’esecuzione singola e 0,54 per best-of-four.
| Condizione | Punteggio medio normalizzato |
| Fork-and-Flush | 0,78 |
| Esecuzione singola | 0,47 |
| Best-of-four | 0,54 |
Fork-and-Flush ha registrato il punteggio medio più alto in 12 delle 13 attività. La deviazione standard normalizzata media — una misura della dispersione dei risultati — era 0,16 per il metodo combinato, 0,26 per l’esecuzione singola e 0,21 per best-of-four. Il valore di 0,78 appartiene al benchmark principale; quello di 0,71 alla diversa ablazione su 11 attività.
Modelli, ambiente e durata delle prove
I test hanno usato GitHub Copilot CLI versione 1.0.73, con lo stesso agente di programmazione, gli stessi strumenti, lo stesso prompt e lo stesso spazio di lavoro nelle diverse condizioni. GPT-5.6-terra, con livello di ragionamento alto, è stato usato per 11 attività; GPT-5.5, con livello extra-alto, per le prove kernel e tinyCIFAR.
Nella configurazione principale, ogni diramazione coinvolgeva quattro agenti. Dopo una diramazione iniziale, ne partivano altre due al raggiungimento rispettivamente del 33% e del 66% del budget. A ciascun ramo era assegnato un budget di esplorazione di circa 0,06B, dove B indica il budget complessivo. Le singole esecuzioni arrivavano fino a 107 ore.
Il paper descrive anche un’analisi separata su formule casuali 3-CNF con Qwen3.5-4B, Qwen3.5-9B e Qwen3.5-27B. La versione 1 del paper su arXiv è datata 5 ottobre 2026.
