Специалисты Китайского народного университета и Microsoft предложили решение проблемы, связанной с повторением ошибок исследовательскими ИИ-агентами при исчерпании и сбросе контекстного окна. Предложенный учеными фреймворк Arbor ведет постоянное дерево гипотез, экспериментов и результатов, отсекая тупиковые ветви и продолжая исследование вдоль перспективных.

Фрейморк состоит из координатора — «руководителя исследования», который направляет общую стратегию, и исполнителей, которые ведут изолированные короткоживующие деревья для проверки отдельных гипотез. По мере поступления результатов общее дерево обновляется, сужая область поиска и совершенствуясь за счет экспериментов.

Методика показала высокую результативность в ходе испытаний на задачах исправления ошибок в реальном коде, сообщили авторы. Была также проверена способность Arbor к автономной оптимизации процесса обучения ИИ-модели: агенту поставили задачу улучшить результативность обобщения незнакомых выборок с помощью итеративных экспериментов без руководства со стороны человека. По сравнению с агентами Codex и Claude Code производительность Arbor оказалась в среднем в 2,5 раза выше при том же ресурсном бюджете.