پژوهشگران مایکروسافت دریافتند عامل‌های هوش مصنوعی اغلب در بازنگری و اصلاح همان ایده‌ها گرفتار می‌شوند، چون تاریخچه چت آن‌ها را دوباره به همان فضای راه‌حل‌ها سوق می‌دهد. روش تازه آن‌ها، با نام Fork-and-Flush، چند شاخه موازی ایجاد می‌کند، زمینه گفت‌وگوی هر شاخه را پاک می‌کند و فقط بهترین نتایج را نگه می‌دارد. این روش در 13 کار معیار، میانگین امتیاز نرمال‌شده را از 0.47 به 0.78 رساند و هم‌زمان پراکندگی نتایج را کاهش داد.
چرا مهم است
توسعه‌دهندگان می‌توانند بدون افزایش توان محاسباتی، راه‌حل‌هایی باکیفیت‌تر و باثبات‌تر از عامل‌های هوش مصنوعی بگیرند و در مسائل پیچیده بهینه‌سازی، در زمان و هزینه صرفه‌جویی کنند.
