Por Canuto  

Un estudio sobre agentes de IA encontró que pueden atascarse en líneas de solución similares pese a disponer de más cómputo. Una técnica que borra el historial de chat, pero conserva los archivos de trabajo, mejoró el rendimiento promedio en 13 tareas.
***

  • Ocho ejecuciones del mismo agente en una tarea terminaron con puntuaciones de 68,3 a 100,0, y las diferencias persistieron al aumentar el cómputo.
  • Fork-and-Flush combina ramas paralelas con un reinicio del chat, pero mantiene el código, los archivos y los resultados generados.
  • En 13 tareas, el método obtuvo una puntuación promedio normalizada de 0,78, frente a 0,47 en ejecuciones individuales.

 

El historial puede estrechar la búsqueda

Los agentes de inteligencia artificial diseñados para resolver tareas durante horas pueden quedarse dando vueltas alrededor de una misma estrategia, incluso cuando disponen de más tiempo y capacidad de cómputo. Un estudio sostiene que el contexto acumulado de la conversación puede contribuir al estancamiento: el agente sigue las pistas de su razonamiento previo y explora menos alternativas, aunque exista una solución mejor fuera de esa ruta.

Los autores estudiaron sistemas de autoresearch, agentes que proponen soluciones, las evalúan y las ajustan de forma repetida a partir de los resultados. En ocho ejecuciones independientes del mismo agente para una misma tarea, las puntuaciones finales oscilaron entre 68,3 y 100,0; la diferencia entre los resultados persistió incluso al asignar sustancialmente más cómputo, informa The Decoder.

Para comparar las respuestas, los investigadores situaron las soluciones en un mapa bidimensional donde las que se parecían aparecían próximas entre sí. Observaron que cada ejecución tendía a concentrarse en una zona pequeña, en vez de recorrer el conjunto de posibilidades, y denominaron cuencas de ideas a esas regiones de soluciones relacionadas.

El patrón tiene una consecuencia práctica: un agente puede gastar buena parte de los recursos disponibles refinando una propuesta que no es la más productiva, mientras otra ejecución encuentra una alternativa superior. La compresión periódica del historial de conversación no bastó para romper esa tendencia en las pruebas descritas, lo que llevó al equipo a ensayar reinicios de contexto más radicales.

Una bifurcación con el espacio de trabajo intacto

La técnica propuesta se llama Fork-and-Flush y combina dos pasos. Primero, el agente se divide en varias ramas paralelas, cada una con acceso al espacio de trabajo previo y a los archivos generados; después, se borra el historial de chat de cada rama para que empiece una conversación nueva.

La distinción entre contexto y espacio de trabajo es central para el método. El reinicio elimina las instrucciones y el razonamiento conversacional acumulados, pero conserva el código, los archivos y los resultados guardados, de modo que el agente no tiene que reconstruir desde cero todo lo que ya produjo.

Según la explicación de los investigadores, una rama que hereda también el chat del proceso anterior suele regresar a la misma cuenca, porque las decisiones previas influyen en sus próximos pasos. En cambio, las ramas con contexto fresco pueden reutilizar el trabajo material existente y, al mismo tiempo, reconsiderar cómo abordar el problema.

Fork-and-Flush conserva la rama que ofrece el mejor resultado y descarta las demás, en lugar de mantener indefinidamente cada intento. Esa combinación busca equilibrar dos objetivos que pueden entrar en tensión en tareas largas: aprovechar el trabajo acumulado y evitar que el razonamiento anterior limite la exploración de alternativas.

Resultados en 13 tareas de larga duración

El equipo evaluó el método en 13 tareas, entre ellas el empaquetado de poliminós, la programación de talleres de trabajo y el criptoanálisis. También incluyó la compresión de un clasificador CIFAR y la optimización de un kernel VLIW; las ejecuciones individuales se extendieron desde varias horas hasta más de 100 horas.

Los agentes utilizaron GPT-5.6-terra y GPT-5.5 a través de GitHub Copilot CLI. Con el mismo presupuesto de cómputo, Fork-and-Flush alcanzó una puntuación promedio normalizada min-max de 0,78, frente a 0,47 para una ejecución individual y 0,54 para la modalidad best-of-4, según el estudio “Fork-and-Flush: Escaping Idea Basins in Autoresearch”.

El artículo atribuye al método una mejora relativa de 66,0% frente a las ejecuciones individuales y de 44,4% frente a best-of-4, además de la puntuación media más alta en 12 de las 13 tareas. La desviación estándar normalizada también descendió a 0,16, desde 0,26 en las ejecuciones individuales, una señal de resultados menos dispersos entre intentos.

Los investigadores probaron además el borrado del historial sin bifurcar el agente en ramas paralelas. En 11 tareas, esa variante elevó la puntuación promedio normalizada de 0,45 a 0,55, una mejora aproximada de 22%; el resultado sugiere que renovar el contexto puede ayudar por sí solo, aunque la combinación completa obtuvo mejores cifras en la evaluación más amplia.

El problema también aparece cerca del límite de capacidad

Otra parte del estudio examinó si los modelos más capaces evitaban las cuencas de ideas mediante problemas MAX-3-SAT y tres tamaños de Qwen3.5: 4B, 9B y 27B. La variación entre ejecuciones siguió una curva de U invertida y alcanzó su máximo en tareas situadas cerca del límite de capacidad de cada modelo.

En los problemas muy fáciles, los modelos casi siempre tuvieron éxito, mientras que en los muy difíciles tendieron a fallar. La mayor disparidad apareció en el terreno intermedio: algunas ejecuciones resolvieron la tarea y otras quedaron muy por debajo del rendimiento del solucionador de referencia.

Los autores sostienen que la investigación abierta suele ubicarse precisamente en ese borde, porque plantea problemas para los que no existe una ruta de solución conocida de antemano. Por eso esperan que la variación aprovechada por Fork-and-Flush persista a medida que mejoren los modelos, aunque el límite se desplace hacia desafíos más complejos.

Los resultados no demuestran que borrar el contexto mejore cualquier agente o tarea, ni que el método elimine todos los errores; describen una estrategia que funcionó en las evaluaciones presentadas. Aun así, plantean que el diseño de agentes de larga duración podría depender no solo de cuánto cómputo reciben, sino también de cuándo conviene dejar atrás una conversación sin perder el trabajo que esa conversación produjo.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados