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

Multi-agent AI-systemer lover ofte bedre resultater ved at sætte flere "hjerner" på en opgave. I praksis falder mange dog i en fælde kaldet præmatur konvergens, eller gruppetænkning. Når agenter kommunikerer for frit, kan det første plausible spor, én medarbejder finder, dominere samtalen og få andre agenter til at opgive deres egne unikke undersøgelsesspor. Snowflakes ArcticSwarm-arkitektur er designet specifikt til at bryde denne onde cirkel, og den har leveret benchmark-resultater, der overgår nogle af de mest avancerede modeller på markedet .

Gruppetænkningsproblemet og den lukkede opslagstavle

Den centrale indsigt bag ArcticSwarm er, at samarbejde er skadeligt, hvis det sker for tidligt. Dets kerneprincip lyder: "Udforsk uafhængigt først. Gennemgå sammen bagefter. Forpligt dig kun, når beviserne overlever uenighed" . For at håndhæve dette bruger systemet et lukket opslagstavlesystem (BBS) , der via tre forskellige tilstande kontrollerer, hvornår agenter må læse hinandens arbejde :

• Isolationstilstand: Dette er den kritiske fase mod gruppetænkning. Agenter får skriveadgang til opslagstavlen. De kan poste deres fund, kilder og ræsonnementer, men blokeres fuldstændigt for at se, hvad deres kolleger laver. Dette tvinger hver agent til at forfølge sit eget, ægte forskningsspor uden at blive påvirket af tidlige spor.
• Gennemgangstilstand: Når den uafhængige research er færdig, ophæves læsebarrieren. Agenterne fremlægger deres resultater til en struktureret krydsundersøgelse designet til at maksimere nyttig uenighed og afdække modstridende informationer eller skjulte antagelser.
• Forpligtelsestilstand: Et samlet endeligt svar produceres først, efter at begrænsninger og beviser fra flere uafhængige spor er blevet strengt krydsverificeret.

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.