In de ablatie met 11 taken behaalde de combinatie van context wissen en parallel vertakken de hoogste genormaliseerde gemiddelde score: 0,71. Het onderzoek richtte zich op langdurige autoresearch-agenten; opgeslagen gesprekken in een consumentenchatbot wissen werd niet getest. De auteurs van Fork-and-Flush: Escaping Idea Basins in Autoresearch Agents onderzochten hoe de methode werkt binnen die specifieke opzet.
Wat Fork-and-Flush wist en bewaart
Autoresearch is een werkwijze waarbij een agent oplossingen voorstelt, test en met de uitkomsten als feedback nieuwe pogingen doet. Fork-and-Flush maakt parallelle vertakkingen vanuit de bestaande werkruimte. In elke vertakking wordt de geërfde gesprekscontext gewist, terwijl bestanden en ander werk in de werkruimte behouden blijven. Na een vaste verkenningsperiode gaat de vertakking met de hoogste score verder; de overige worden geschrapt.
De methode scheidt dus de gesprekscontext van het werk dat de agent al heeft opgebouwd. Dat is iets anders dan opgeslagen chatgeschiedenis verwijderen in een consumentenchatbot.
Wat de ablatie met 11 taken laat zien
De auteurs normaliseerden de scores per taak en berekenden daarvan het gemiddelde. In de ablatie scoorden zowel alleen context wissen als alleen vertakken hoger dan één run; de combinatie behaalde de hoogste score.
| Variant | Genormaliseerde gemiddelde score |
| Eén run | 0,45 |
| Alleen context wissen | 0,55 |
| Alleen vertakken | 0,57 |
| Combinatie (Fork-and-Flush) | 0,71 |
De hoofdtest met 13 taken was een aparte vergelijking
In de hoofdtest vergeleken de auteurs Fork-and-Flush met één run en de beste van vier runs, bij gelijke rekenbudgetten. De resultaten waren gemiddelden van genormaliseerde scores over 13 onderzoeks- en engineeringtaken.
| Methode | Genormaliseerde gemiddelde score |
| Fork-and-Flush | 0,78 |
| Eén run | 0,47 |
| Beste van vier runs | 0,54 |
Fork-and-Flush behaalde de hoogste gemiddelde score op 12 van de 13 taken. De gemiddelde genormaliseerde standaardafwijking — een maat voor de spreiding van scores — was 0,16 voor Fork-and-Flush, tegenover 0,26 voor één run en 0,21 voor de beste van vier runs.
De geteste agenten en vertakkingen
Alle condities gebruikten GitHub Copilot CLI versie 1.0.73 en dezelfde codeeragent, hulpmiddelen, prompt en taakwerkruimte. GPT-5.6-terra draaide op hoog redeneerniveau voor 11 taken. Voor de taken kernel en tinyCIFAR gebruikten de auteurs GPT-5.5 op extra hoog redeneerniveau.
De hoofdopzet gebruikte vier agenten per vertakkingsmoment: een eerste ronde en twee volgende rondes, zodra respectievelijk 33% en 66% van het budget was besteed. Voor de verkenning kreeg elke vertakking ongeveer 6% van het totale budget. Individuele runs duurden tot 107 uur. De taken varieerden van polyomino’s inpassen en job-shopplanning tot cryptanalyse en optimalisatie van VLIW-kernels.
In een aparte analyse van prestaties naar modelcapaciteit gebruikten de auteurs Qwen3.5-modellen met 4B, 9B en 27B op willekeurige 3-CNF-formules met 10 tot 100.000 variabelen. De arXiv-versie van de paper is gedateerd op 5 oktober 2026.
