Derfor knuser Snowflakes ArcticSwarm AI-gruppetænkning og dominerer deep research-benchmarks

Ablationsstudier: Fri chat er fjende af diversitet

For at teste om denne isolationstilgang rent faktisk virkede, udførte Snowflake et ablationsstudie på et deldatasæt med 120 spørgsmål fra BrowseComp-benchmarken . Tre konfigurationer blev testet: den lukkede opslagstavle, fuldstændig uhæmmet peer-to-peer-beskedudveksling og uafhængige enkeltagent-kørsler .

Resultaterne validerede arkitekturen med al tydelighed. Uhæmmet peer-to-peer-beskedudveksling fik øjeblikkeligt datadiversiteten til at kollapse. Teamet observerede et højt Jaccard-overlap mellem de URL-sæt, de forskellige agenter hentede. I stedet for at opdele researcharbejdet for at dække mere territorium, konvergerede agenterne mod de samme sider, jagende det samme tidlige spor. Endnu mere kritisk var Effective Sample Size (ESS) – et mål for, hvor mange reelt adskilte undersøgere systemet emulerer – signifikant højere med læsebarrieren på plads. Isolationen tvang en varieret udforskning frem, som fri chat ødelagde .

Benchmark-resultater: BrowseComp og BrowseComp-Plus

ArcticSwarms design udmønter sig i massive præstationsgevinster. På Snowflakes egen interne, hybride deep research-benchmark opnåede ArcticSwarm en nøjagtighed på 64,18% sammenlignet med en baseline på 47,08% for enkeltagent-konfigurationer – en forbedring på over en tredjedel .

Dets resultater på offentlige benchmarks er endnu mere slående. På det fulde BrowseComp-datasæt (1.266 spørgsmål) var præstationen stærkt stratificeret baseret på, hvor meget konsensus der blev opnået under gennemgangen :

• Når resultaterne blev VERIFICERET af både en bygger og en dedikeret anmelder, steg nøjagtigheden til 86,4%.
• Med kun bygger-anneldelse faldt raten til 70,9%.
• Med kun en dedikeret anmelder var den 66,1%.
• Når der slet ingen anmelderkonsensus eksisterede, styrtdykkede nøjagtigheden til blot 35,3%.
  Dette viser, at kvaliteten af den efterfølgende gennemgangsfase er lige så afgørende som den indledende isolation.

Til sammenligning opnår standard-LLM'er som GPT-4o og GPT-4.5 en nær-nul nøjagtighed (0,6%–0,9%) på den originale BrowseComp-benchmark. OpenAIs ræsonnementspecialiserede o1-model forbedrede sig til omkring 10%, mens OpenAI Deep Research, en specialiseret browsing-agent, nåede ca. 51,5% nøjagtighed .

På den mere kontrollerede BrowseComp-Plus-benchmark er de stærkeste konkurrerende konfigurationer GPT-5 parret med en Qwen3-8B-retriever, der når 70,12% nøjagtighed, og o3, der når 63,49% med den samme retriever . ArcticSwarms 86,4% på den sværeste, dobbeltverificerede del af BrowseComp-Plus overgår klart disse etablerede baselines .

ArcticSwarm i virksomheden: CoWork Deep Research

Disse koncepter er ikke begrænset til akademisk forskning. Snowflake er nu i gang med at integrere ArcticSwarms gruppetænkningsresistente metode i sin virksomhedsplatform gennem Snowflake CoWorks Deep Research Mode . Denne integration er designet til at lade vidensarbejdere køre sikre analyser med høj troværdighed direkte i Snowflakes styrede datamiljø. Arbejdsgangen understøttes af tre nøglefunktioner :

• Artefakter: Vedvarende, versionsstyrede outputs som rapporter, kode og analyser, der kan deles og inspiceres af hele teamet.
• Brugerhukommelse: En vedvarende kontekstmotor, der fastholder brugerpræferencer og tidligere researchmønstre på tværs af forskellige sessioner for at forbedre fremtidige forespørgsler.
• Cortex Sense: Et kontekstuelt opmærksomhedslag, der automatisk fremviser relevante interne dataaktiver, databaseskemaer og tidligere analyser for den aktive research-agent.

For virksomhedsbrugere betyder dette, at ArcticSwarms evne til at modstå bekræftelsesbias kan anvendes på den rodede kombination af strukturerede SQL-databaseforespørgsler og browsing i ustrukturerede, interne dokumenter. Dermed leveres svar, der har overlevet et rigoristisk, uafhængigt krydstjek, før de overhovedet præsenteres for en menneskelig beslutningstager.