W ablacji obejmującej 11 zadań połączona metoda Fork-and-Flush uzyskała średni znormalizowany wynik 0,71, wobec 0,45 dla pojedynczego uruchomienia. Badacze porównali długotrwałe agenty autoresearch — systemy, które proponują rozwiązania, testują je i wykorzystują wyniki do kolejnych prób — a nie usuwanie zapisanych rozmów z chatbotów konsumenckich. Autorzy pracy opisali metodę i wyniki.
Co Fork-and-Flush usuwa, a co zachowuje
Metoda rozdziela kontekst rozmowy od przestrzeni roboczej agenta. Przy tworzeniu równoległych gałęzi usuwa odziedziczony kontekst konwersacyjny, ale zachowuje pliki i dotychczasową pracę w przestrzeni roboczej. Po ustalonym czasie eksploracji wybiera gałąź z najwyższym wynikiem; pozostałe odrzuca.
To rozróżnienie ma znaczenie: reset dotyczy kontekstu używanego przez agenta w danej gałęzi, a nie zgromadzonych plików roboczych. Badanie dotyczyło zatem przepływu pracy agentów prowadzących długie eksperymenty, nie ustawień historii rozmów w zwykłym chatbocie.
Co pokazała ablacja 11 zadań
Wynik średni znormalizowano metodą min–max, aby ująć rezultaty z różnych zadań na wspólnej skali. W tej ablacji zarówno samo czyszczenie kontekstu, jak i samo rozgałęzianie uzyskały wynik wyższy niż pojedyncze uruchomienie. Najwyższy wynik osiągnęła metoda łącząca oba elementy.
| Wariant | Średni wynik znormalizowany | Liczba zadań |
| Pojedyncze uruchomienie | 0,45 | 11 |
| Samo czyszczenie kontekstu | 0,55 | 11 |
| Samo rozgałęzianie | 0,57 | 11 |
| Fork-and-Flush: metoda łączona | 0,71 | 11 |
Te wyniki opisują porównanie czterech wariantów w tej konkretnej ablacji. Nie należy łączyć ich z wynikiem 0,78 z głównego testu, który obejmował inną liczbę zadań.
Główny test obejmował 13 zadań
W odrębnej ocenie, przy równych budżetach obliczeniowych, Fork-and-Flush uzyskał średni wynik znormalizowany 0,78. Pojedyncze uruchomienie osiągnęło 0,47, a wariant best-of-four — 0,54.
| Wariant | Średni wynik znormalizowany | Liczba zadań | Budżet obliczeniowy |
| Fork-and-Flush | 0,78 | 13 | Równy |
| Pojedyncze uruchomienie | 0,47 | 13 | Równy |
| Best-of-four | 0,54 | 13 | Równy |
Autorzy podali, że Fork-and-Flush uzyskał najwyższy średni wynik w 12 z 13 zadań. Średnie odchylenie standardowe po normalizacji wyniosło 0,16 dla tej metody, 0,26 dla pojedynczego uruchomienia i 0,21 dla best-of-four.
Jakie środowisko sprawdzono
Wszystkie warunki testu działały w GitHub Copilot CLI w wersji 1.0.73, z tym samym agentem programistycznym, narzędziami, promptem i przestrzenią roboczą. GPT-5.6-terra z wysokim poziomem wnioskowania wykorzystano w 11 zadaniach; GPT-5.5 z poziomem extra-high — w zadaniach dotyczących jądra systemu i tinyCIFAR.
W głównej konfiguracji każde rozgałęzienie obejmowało czterech agentów. Metoda uruchamiała początkowe rozgałęzienie, a następne dwa po wykorzystaniu 33% i 66% budżetu. Każda gałąź otrzymywała budżet eksploracji wynoszący około 0,06 całego budżetu. Poszczególne uruchomienia trwały od kilku godzin do kilku dni; najdłuższe opisane przez autorów trwało 107 godzin.
Zakres badania obejmował długotrwałe zadania badawcze i inżynieryjne, między innymi optymalizację algorytmów, kryptanalizę, wnioskowanie naukowe i projektowanie systemów. W pracy znalazła się też odrębna analiza modeli Qwen3.5-4B, Qwen3.5-9B i Qwen3.5-27B na losowych formułach 3-CNF zawierających od 10 do 100 000 zmiennych. Autorzy opisali w niej zależność między osiąganym wynikiem a rozrzutem jako odwróconą literę U, z maksimum w pobliżu a = 0,497.
Wersja 1 pracy na arXiv nosi datę 5 października 2026 roku.
