El problema del que parte el artículo
Si se ejecuta ocho veces el mismo agente de horizonte largo sobre la misma tarea, no se obtienen ocho respuestas parecidas. Un artículo publicado en arXiv el 5 de octubre informa de puntuaciones finales repartidas entre 68,3 y 100 en ocho ejecuciones independientes, y la dispersión no se cerró al darles más cómputo.
Los autores — Ziyang Cai, Christos Ziakas, Vasilis Kontonis, Tim Pearce, Siddhartha Sen, Akshay Krishnamurthy, Shivam Garg y Dimitris Papailiopoulos — lo atribuyen a lo que llaman “cuencas de ideas”. Al agrupar por similitud funcional los artefactos que produce una ejecución, encuentran que cada una da vueltas en una región acotada del espacio de soluciones. Una vez dentro de una cuenca, más pasos producen sobre todo más variaciones de la misma idea. The Decoder, que informó del trabajo el lunes, lo describe como de Microsoft Research.
Qué hace bifurcar y vaciar
El método tiene dos movimientos, y el segundo es el interesante. El agente se bifurca en K ramas paralelas, y cada rama hereda el espacio de trabajo acumulado: los archivos y artefactos producidos hasta ese momento. Después cada rama vacía su contexto de conversación y empieza un diálogo nuevo sobre ese trabajo. Pasado un horizonte fijo, se conserva la rama con mejor puntuación y se descartan las demás.
La clave es la separación. El trabajo sobrevive; el razonamiento que llevó a él, no. Un agente que se ha convencido a sí mismo de un enfoque concreto arrastra ese enfoque en su ventana de contexto, y vaciar la ventana conservando los archivos permite que una rama mire los mismos artefactos sin los compromisos previos.
Las cifras
En 13 tareas largas de investigación e ingeniería — empaquetado de poliominós, planificación de taller, criptoanálisis, compresión de un clasificador CIFAR, optimización de un núcleo VLIW — y con el mismo cómputo, el artículo informa de que bifurcar y vaciar supera a una sola ejecución en un 66,0% y a best-of-N en un 44,4% sobre la puntuación media normalizada min-max.
Según expone las cifras The Decoder, se trata de una media normalizada de 0,78 frente a 0,47 de una sola ejecución y 0,54 de la mejor de cuatro. La desviación típica también baja, de 0,26 a 0,16, lo que importa más que la media para quien decida si fiarse de una sola ejecución. Bifurcar y vaciar obtuvo la media más alta en 12 de las 13 tareas. Vaciar solo, sin ramificar, produjo una mejora menor.
Las ejecuciones duraron entre varias horas y más de 100, con GPT-5.6-terra y GPT-5.5 manejados a través de la línea de comandos de GitHub Copilot. Son las medidas del propio artículo, no una réplica independiente.
Si sobrevive a modelos mejores
Los autores se adelantan a la objeción obvia: que esto sea una muleta para modelos flojos. Hicieron un estudio aparte con Qwen3.5 en 4B, 9B y 27B sobre problemas MAX-3-SAT y hallaron que la varianza entre ejecuciones sigue una U invertida según el tamaño del modelo, con el máximo en tareas situadas al borde de la capacidad de cada uno.
Su argumento es que los problemas de investigación abiertos están por definición en ese borde, de modo que la variación que explota el método debería persistir a medida que mejoren los modelos, con la frontera desplazándose a problemas más difíciles. Eso es una predicción, no un resultado, y es la parte que conviene poner a prueba.
