Na ablação de 11 tarefas, a combinação de limpeza de contexto e ramificações paralelas obteve a maior pontuação média normalizada: 0,71. Limpar o contexto ou ramificar os agentes separadamente também superou a execução única, mas o resultado vem de agentes de pesquisa de longa duração, não da exclusão de conversas salvas em chatbots de consumo. Os autores relatam esses resultados no estudo publicado no arXiv.
O que o Fork-and-Flush apaga — e o que mantém
Fork-and-Flush é um método para agentes de autoresearch: sistemas que propõem soluções, testam os resultados e usam o feedback para orientar novas tentativas. Ele limpa o contexto conversacional herdado, mas mantém o espaço de trabalho e os arquivos produzidos pelo agente.
A partir desse espaço de trabalho, o método abre ramificações paralelas com contextos novos. Depois de um período fixo de exploração, a ramificação com a maior pontuação continua; as demais são descartadas. Em outras palavras, o agente recomeça a conversa, não o trabalho acumulado.
O que a ablação de 11 tarefas mostra
Uma pontuação média normalizada reúne resultados ajustados para permitir a comparação entre tarefas. Na ablação, os autores avaliaram a execução única, cada componente isoladamente e a combinação dos dois:
| Condição | Pontuação média normalizada |
| Execução única | 0,45 |
| Só limpeza de contexto | 0,55 |
| Só ramificação | 0,57 |
| Método combinado | 0,71 |
Nesse teste, tanto a limpeza isolada quanto a ramificação isolada ficaram acima da execução única; a combinação alcançou a maior pontuação. A comparação ajuda a separar os componentes, mas descreve essa ablação de 11 tarefas.
Como a avaliação principal foi diferente
O estudo também avaliou 13 tarefas de pesquisa e engenharia com orçamentos de computação iguais. Nessa avaliação principal, a média normalizada do Fork-and-Flush foi 0,78, ante 0,47 para uma execução única e 0,54 para best-of-four, ou melhor resultado entre quatro execuções.
| Condição | Pontuação média normalizada | Desvio-padrão médio normalizado |
| Fork-and-Flush | 0,78 | 0,16 |
| Execução única | 0,47 | 0,26 |
| Melhor de quatro (best-of-four) | 0,54 | 0,21 |
O Fork-and-Flush teve a maior pontuação média em 12 das 13 tarefas. O desvio-padrão representa a dispersão dos resultados na medida relatada; nessa avaliação, o valor médio também foi menor para o método combinado.
Modelos, ambiente e escala dos testes
Os testes usaram a versão 1.0.73 do GitHub Copilot CLI, com o mesmo agente de programação, ferramentas, instrução e espaço de trabalho nas diferentes condições. O GPT-5.6-terra, com esforço de raciocínio alto, foi usado em 11 tarefas. Para as tarefas de otimização de kernel e tinyCIFAR, os autores usaram o GPT-5.5 com esforço de raciocínio extra-alto.
Na configuração principal do Fork-and-Flush, cada ramificação abria quatro agentes. Houve uma rodada inicial e outras duas quando 33% e 66% do orçamento haviam sido consumidos. Cada ramificação recebeu um orçamento de exploração de aproximadamente 0,06B, ou cerca de 6% do orçamento total. As execuções individuais chegaram a 107 horas.
O que esses resultados dizem sobre limpar o histórico
O estudo avaliou agentes de autoresearch que trabalham por longos períodos em tarefas de pesquisa e engenharia. Não testou a exclusão do histórico de conversas armazenadas em um chatbot de consumo nem o desempenho de todos os tipos de agente de IA.
Em uma análise separada, os autores avaliaram Qwen3.5 nos tamanhos 4B, 9B e 27B em fórmulas aleatórias 3-CNF, com 10 a 100 mil variáveis. O artigo relata uma relação em U invertido entre o desempenho e a dispersão das soluções, com pico de desempenho perto de attainment a = 0,497. A versão 1 do artigo no arXiv tem data de 5 de outubro de 2026.
