Agenci AI grzęzną we własnym toku myślenia. Microsoft testuje Fork-and-Flush

Większy budżet obliczeniowy nie gwarantuje, że autonomiczny agent AI wpadnie na lepsze rozwiązanie problemu. Zespół Microsoft Research wykazał, że systemy pracujące nad złożonymi zadaniami przez wiele godzin często trzymają się obranego na początku kierunku i doskonalą słabsze pomysły, zamiast szukać alternatyw. Rozwiązaniem okazuje się kontrolowany reset rozmowy połączony z rozgałęzieniem pracy.

Badacze przeanalizowali zachowanie agentów typu autoresearch – systemów, które samodzielnie generują hipotezy, testują je w kodzie i modyfikują podejście na podstawie wyników. W testach osiem niezależnych uruchomień tego samego agenta na identycznym zadaniu kończyło się skrajnie różnymi rezultatami, od 68,3 do 100 punktów. Przydzielenie modelom większej mocy obliczeniowej nie niwelowało tych różnic.

Gdy naniesiono generowane rozwiązania na mapę przestrzeni poszukiwań, okazało się, że pojedynczy przebieg agenta szybko zamyka się w wąskim obszarze podobnych pomysłów. Zamiast eksplorować inne ścieżki, model zużywał pozostały czas na drobne poprawki w ramach jednej, często przeciętnej koncepcji. Co istotne, okresowe streszczanie dotychczasowej rozmowy nie zapobiegało temu zjawisku.

Świeży kontekst, zachowane pliki

Odpowiedzią badaczy jest metoda Fork-and-Flush. Polega ona na podziale zadania na równoległe gałęzie, z których każda dziedziczy dotychczasowy obszar roboczy – w tym wygenerowane pliki, kod źródłowy oraz zapisane wyniki obliczeń. Równocześnie całkowicie czyści się historię czatu. Nowa gałąź zyskuje czysty kontekst konwersacji, dzięki czemu nie powiela wcześniejszego toku rozumowania, ale nie musi też zaczynać pracy od zera.

Skuteczność podejścia przetestowano na 13 długotrwałych zadaniach wymagających od kilku do ponad 100 godzin pracy. Obejmowały one między innymi kryptanalizę, łamigłówki optymalizacyjne, harmonogramowanie procesów czy optymalizację jądra VLIW. W eksperymentach wykorzystano modele GPT-5.6-terra oraz GPT-5.5.

Przy identycznym całkowitym budżecie obliczeniowym metoda Fork-and-Flush osiągnęła średni znormalizowany wynik 0,78 (w skali min–max), podczas gdy pojedyncze uruchomienia dały średnią 0,47, a podejście best-of-4 – 0,54. Nowa technika uzyskała najwyższy średni rezultat w 12 z 13 zadań, a znormalizowane odchylenie standardowe spadło z 0,26 do 0,16. Samo wyczyszczenie historii rozmowy – bez uruchamiania równoległych gałęzi – podniosło wyniki o 22 procent.

W osobnym teście na problemach MAX-3-SAT z użyciem trzech rozmiarów modelu Qwen3.5 (4B, 9B oraz 27B) sprawdzono zależność zjawiska od skali parametrów. Największą zmienność wyników między uruchomieniami odnotowano przy zadaniach znajdujących się dokładnie na granicy możliwości danego modelu. Wskazuje to, że problem utykania w jednym schemacie myślowym pozostaje aktualny niezależnie od wielkości sieci neuronowej, gdy tylko mierzy się ona z zadaniem o odpowiednio wysokim poziomie trudności.