让 LLM 智能体学会遗忘：Scaling Discovery Requires Forgetting

LLM 智能体做自动化研究时，单智能体长迭代、多智能体并行、并行加通信三种扩展策略都会因历史累积而停滞，智能体被自身过往尝试锚定，编辑越来越少、越来越小。研究者提出"遗忘"机制：周期性丢弃搜索状态（包括每个智能体的会话与候选历史），从当前最优候选重启，在启发式编程、kernel 优化和模型训练四类任务上比并行智能体提升最高 15%，比单智能体提升最高 39%。