Löschen des Chatverlaufs hilft KI-Agenten, bessere Lösungen zu finden
decoder ·
Eine Studie der Microsoft Research zeigt, dass langlaufende KI-Agenten oft ein Plateau erreichen, weil die angesammelte Konversationsverlauf ihre Suche in engen „Idee-Becken“ einschränkt. Um dies zu adressieren, entwickelten Forscher eine Methode namens „Fork-and-Flush“, die den Agenten in parallele Zweige aufteilt und dabei den Chat-Kontext löscht, um die Erkundung neuer Lösungen zu fördern. Dieser Ansatz ermöglicht es den Agenten, frühere Verzerrungen im Denkprozess zu verwerfen, während generierte Dateien und Code im Arbeitsbereich behalten werden. Tests an 13 komplexen Aufgaben zeigten, dass Fork-and-Flush im Vergleich zu einzelnen Läufen mit demselben Rechenbudget einen um 66 Prozent höheren normalisierten Durchschnittswert erreichte. Die Methode zeigte auch eine höhere Konsistenz, indem sie die Standardabweichung der Ergebnisse erheblich reduzierte. Selbst einfache Kontext-Resets ohne Verzweigung verbesserten die Leistung um 22 Prozent. Die Forscher weisen darauf hin, dass die durch diese Resets verursachte Variation wahrscheinlich bestehen bleiben wird, da Modelle leistungsfähiger werden und sich an der Grenze der Problemlösungsschwierigkeit bewegen. Daher werden regelmäßige Kontext-Resets voraussichtlich auch für zukünftige autonome Forschungsagenten eine wertvolle Strategie bleiben.
decoder