Volgens The Decoder laat onderzoek van Microsoft zien dat langdurig draaiende AI-agents kunnen vastlopen in zogenoemde ‘idea basins’: ze blijven oplossingen verfijnen binnen een beperkte oplossingsrichting, ook wanneer extra rekenkracht beschikbaar is. De onderzoekers ontwikkelden Fork-and-Flush, waarbij een agent meerdere vertakkingen maakt, de werkruimte behoudt en de chatgeschiedenis van elke vertakking wist.
De methode werd getest op 13 langdurige taken, waaronder cryptanalyse, planning en optimalisatie. Volgens het onderzoeksrapport behaalde Fork-and-Flush bij hetzelfde rekenbudget een hogere genormaliseerde gemiddelde score dan afzonderlijke runs en een best-of-vier-aanpak, en was de methode op 12 van de 13 taken gemiddeld het best. Alleen de chatcontext wissen verbeterde de resultaten volgens het rapport eveneens. Deze prestatiecijfers zijn niet onafhankelijk geverifieerd. De onderzoekers stellen dat contextresets ook bij krachtigere modellen nuttig kunnen blijven, vooral bij taken aan de grens van hun mogelijkheden.