arXiv 论文提出 Scaling Discovery 遗忘机制：打破智能体科研搜索瓶颈

Scaling Discovery Requires Forgetting 研究人员在探讨大模型多智能体进行自主科学探索时发现，随着交互历史累积，智能体会受限于过往尝试而陷入搜索停滞。论文提出通过周期性丢弃会话历史并仅保留当前最优候选结果重新起步的「遗忘」机制，在启发式编程与内核优化等四项任务中，相较于持续运行的并行智能体团队性能提升达 15%，验证了对于开放式探索而言合理控制智能体记忆容量的重要性。