Problemet studien utgår från
Om man kör samma agent med lång horisont på samma uppgift åtta gånger får man inte åtta likartade svar. En studie som lades upp på arXiv den 5 oktober redovisar slutpoäng spridda mellan 68,3 och 100 över åtta oberoende körningar, och spridningen slöts inte när körningarna fick mer beräkningskraft.
Författarna — Ziyang Cai, Christos Ziakas, Vasilis Kontonis, Tim Pearce, Siddhartha Sen, Akshay Krishnamurthy, Shivam Garg och Dimitris Papailiopoulos — tillskriver det vad de kallar “idébassänger”. När de grupperar de artefakter en körning producerar efter funktionell likhet ser de varje körning kretsa i en avgränsad del av lösningsrymden. Väl inne i en bassäng ger fler steg mest fler varianter av samma idé. The Decoder, som rapporterade om arbetet på måndagen, beskriver det som Microsoft Research.
Vad förgrening och tömning gör
Metoden har två drag, och det andra är det intressanta. Agenten förgrenar sig i K parallella grenar, och varje gren ärver den uppbyggda arbetsytan: filerna och artefakterna som producerats så långt. Sedan tömmer varje gren sin samtalskontext och börjar en ny konversation ovanpå det arbetet. Efter en fast horisont behålls grenen med högst poäng och resten kastas.
Poängen ligger i åtskillnaden. Arbetet överlever; resonemanget som ledde fram till det gör det inte. En agent som har pratat sig in i en viss infallsvinkel bär den vidare i sitt kontextfönster, och att tömma fönstret men behålla filerna låter en gren se på samma artefakter utan bindningarna.
Siffrorna
Över 13 långa forsknings- och ingenjörsuppgifter — polyominopackning, verkstadsplanering, kryptoanalys, komprimering av en CIFAR-klassificerare, optimering av en VLIW-kärna — och med samma beräkningskraft redovisar studien att förgrena och tömma slår en enskild körning med 66,0% och best-of-N med 44,4% på min-max-normaliserad medelpoäng.
Som The Decoder redovisar siffrorna rör det sig om ett normaliserat medelvärde på 0,78 mot 0,47 för en enskild körning och 0,54 för bästa av fyra. Standardavvikelsen sjunker också, från 0,26 till 0,16, vilket betyder mer än medelvärdet för den som ska avgöra om en enskild körning går att lita på. Metoden hade högst medelvärde på 12 av de 13 uppgifterna. Enbart tömning, utan förgrening, gav en mindre förbättring.
Körningarna tog från flera timmar till mer än 100, med GPT-5.6-terra och GPT-5.5 styrda genom GitHub Copilots kommandorad. Det är studiens egna mätningar, inte en oberoende upprepning.
Om det överlever bättre modeller
Författarna föregriper den uppenbara invändningen, att detta är en krycka för svaga modeller. De gjorde en separat studie med Qwen3.5 i 4B, 9B och 27B på MAX-3-SAT-problem och fann att variationen mellan körningar följer ett upp-och-nedvänt U över modellstorlekar, med toppen på uppgifter som ligger på gränsen för varje modells förmåga.
Deras argument är att öppna forskningsproblem per definition ligger på den gränsen, så att variationen metoden utnyttjar borde bestå när modellerna blir bättre, med gränsen helt enkelt förflyttad till svårare problem. Det är en förutsägelse och inte ett resultat, och det är den delen som är värd att pröva.
