Limpiar el historial de chat ayuda a los agentes de IA a encontrar soluciones mejoras

Limpiar el historial de chat ayuda a los agentes de IA a encontrar soluciones mejoras

Según un estudio de Microsoft Research, los agentes de investigación de IA que operan durante mucho tiempo pueden llegar a una fase estática, a pesar de la computación adicional. El contexto acumulado de la conversación puede limitar su búsqueda, haciéndoles centrarse en soluciones similares en lugar de explorar enfoques mejores.

Investigadores de Microsoft estudiaron lo que llaman “agentes de Autoresearch”, sistemas de IA que proponen soluciones repetidamente, las evalúan y las mejoran en base a los comentarios recibidos. Ocho ejecuciones independientes del mismo agente en la misma tarea alcanzaron niveles de rendimiento significativamente diferentes, con puntajes finales que variaron entre 68.3 y 100.0. Estas diferencias persistieron incluso con una cantidad considerablemente mayor de computación, según el artículo.

Los agentes se atascan en “cuencas de ideas”

Los investigadores trazaron las soluciones de todas las pruebas en un mapa bidimensional que ubica las soluciones similares cerca unas de otras, y luego las compararon. Las soluciones de una única prueba casi siempre permanecían dentro de una pequeña región del mapa. Los autores llaman a estas regiones “cuencas de ideas”.

Los agentes gastan una gran parte de su presupuesto de computación restante refinando soluciones en una región menos productiva, en lugar de buscar enfoques mejorados descubiertos por otras ejecuciones. Este patrón persiste incluso cuando los agentes comprimen periódicamente sus historias de conversación.

Limpiar el historial de chat permite a los agentes explorar nuevos enfoques

El método propuesto, “Fork-and-Flush”, combina dos mecanismos. En el “forking”, el agente se divide en K ramas paralelas, cada una heredando el espacio de trabajo anterior y todos los archivos generados. En el “flushing”, cada rama pierde todo el contexto de chat, pero conserva el espacio de trabajo, lo que le permite iniciar una conversación nueva y continuar con el trabajo previo.

Un rama que mantiene el contexto de chat del proceso padre tiende a volver al mismo área de ideas, ya que el razonamiento anterior guía sus siguientes pasos. Un contexto nuevo restaura la diversidad en la búsqueda. El historial de conversación se pierde, pero el código, los archivos y los resultados guardados permanecen en el espacio de trabajo.

Un puntaje promedio normalizado 66 por ciento más alto con el mismo presupuesto de computación

Los investigadores probaron Fork-and-Flush en 13 tareas de larga duración, incluyendo el empaquetamiento de políominos, la programación de tareas en una fábrica de trabajo y el análisis criptológico. Las tareas también incluían la compresión de un clasificador CIFAR y la optimización de un kernel VLIW. Las ejecuciones individuales duraron desde varias horas hasta más de 100 horas. Los agentes utilizaron GPT-5.6-terra y GPT-5.5 a través de la CLI de GitHub Copilot.

Con el mismo presupuesto de computación, Fork-and-Flush logró una puntuación promedio normalizada min-max de 0.78, en comparación con 0.47 para ejecuciones individuales y 0.54 para el mejor de 4. El artículo reporta ganancias relativas de 66.0 y 44.4 por ciento, respectivamente. La metodología alcanzó la puntuación media más alta en 12 de las 13 tareas.

Fork-and-Flush también produjo resultados más consistentes, con una desviación típica normalizada que disminuyó de 0.26 a 0.16 en las carreras individuales. Simplemente limpiar el contexto del chat sin dividirlo mejoró los resultados en un 22 por ciento.

Modelos más fuertes podrían aún necesitar reajustes de contexto

Los investigadores también probaron si los modelos más capaces evitan los “basins de ideas”, utilizando problemas MAX-3-SAT en tres tamaños de modelo: Qwen3.5-4B, 9B y 27B. La variabilidad entre las ejecuciones siguió una curva en forma de U invertida, con un pico en tareas que se encuentran en el límite de las capacidades del modelo, aproximadamente a la mitad entre el rendimiento de adivinación aleatoria y el rendimiento del solver de referencia.

Los autores argumentan que los problemas de investigación abiertos, por definición, se encuentran en los límites de las capacidades de los modelos. Esperan que las variaciones del método Fork-and-Flush continúen existiendo a medida que los modelos mejoran, con la frontera simplemente desplazándose hacia problemas más difíciles. Los resultados sugieren que los reajustes regulares de contexto podrían seguir siendo útiles incluso para los agentes de investigación en las fronteras del conocimiento.

Noticias de IA Sin Efecto Falso – Seleccionadas por Humanos

Suscríbase a THE DECODER para leer sin anuncios, un boletín semanal sobre IA, nuestro informe de vanguardia “AI Radar” exclusivo seis veces al año, acceso completo al archivo y acceso a nuestra sección de comentarios.

Lea más adelante para ver el panorama completo.
Suscríbase para una cobertura sin espectáculo.

• Acceso completo a cada artículo en THE DECODER
• Sin anuncios
• Únete a los comentarios y a las discusiones de la comunidad
• Resumen semanal de noticias sobre IA por correo
• 6 veces al año: “AI Radar” — análisis profundos sobre los temas de IA que son más importantes
• Noticias diarias sobre IA, siempre actualizadas
• Nuestro archivo completo de diez años
• Cubierto por un equipo con más de 10 años en IA