美国学者Shangyin Tan、Ben Zhou、Matei Zaharia等人在2026年10月14日提交论文《Scaling Discovery Requires Forgetting》，讨论如何通过管理历史状态，提升基于大语言模型智能体的自动化研究与机器学习任务表现。论文摘要与提交记录
论文指出，单个智能体持续迭代、多个智能体并行工作，或让并行智能体彼此通信，这三种扩展方式都会在积累大量历史后逐渐遇到瓶颈。研究者认为，智能体容易被过去的尝试和候选方案“锚定”，后续修改变得更少、更小，继续增加计算预算也难以带来相应收益。
为此，研究团队提出周期性“遗忘”机制：保留目前找到的最佳候选方案，但定期丢弃智能体会话、搜索状态和候选历史，再从最佳方案重新启动搜索。该方法并非简单清空所有成果，而是将当前最优结果作为新的起点，以减少历史路径对后续探索的限制。
摘要称，研究者把这一机制加入带有通信能力的多智能体系统，并在四项任务上进行评估，任务覆盖启发式编程、内核优化和模型训练。按论文报告，加入“遗忘”后，结果相较并行智能体最高提升15%，相较单个智能体最高提升39%。这些数字来自论文摘要，尚未在本文中独立核对完整实验设置、基线和代码，因此不宜直接外推到所有机器学习或智能体任务。
这项工作的意义在于，它把智能体系统的记忆管理视为与模型规模、并行数量和计算预算同等重要的系统设计变量。对于开放式机器学习探索，保留全部历史并不必然有利；适度重置搜索路径，可能帮助系统摆脱局部策略和早期错误判断。不过，该论文目前是arXiv预印本，仍需经过更多任务、模型和独立研究验证。信息来源为论文原始页面，提交日期为2026年10月14日。
参考来源：
- Scaling Discovery Requires Forgetting 2026-10-14
由 AI 整理，仅供参考；请以原始来源为准。
