SnowflakeのArcticSwarmがAIの「集団浅慮」を打破、Deep Researchベンチマークで驚異の86.4%を達成

1. ゲート式BBS（閲覧制限あり）
2. 完全に制約のないエージェント間チャット
3. 単独エージェントによる独立実行

結果は、このアーキテクチャの正当性を痛烈に証明するものでした。制約のないピアツーピアのチャットは、証拠の多様性を即座に崩壊させました。 研究チームは、各エージェントが取得したURLの集合間に高いジャカード係数（Jaccard overlap）が生じることを観測。エージェントたちは調査範囲を広げて網羅性を高めるのではなく、最初の有力情報を追いかけて同じページに集中していたのです。

さらに重要な指標として、「有効サンプルサイズ（Effective Sample Size: ESS）」が比較されました。これは、システムが「何人の真に独立した調査官」として機能しているかを示す尺度です。閲覧制限を設けた場合のESSは、自由なチャットを行った場合と比較して著しく高い値を示しました。「隔離」こそが、自由な会話によって破壊される、多様な探索を強制する力となっていたのです 。

ベンチマーク結果：BrowseCompとBrowseComp-Plusでの圧倒的成果

ArcticSwarmの設計思想は、大幅なパフォーマンス向上として結実しています。Snowflakeの社内ハイブリッドDeep Researchベンチマークにおいて、ArcticSwarmは64.18%の正解率を達成。単一エージェント構成のベースライン**47.08%**と比較して、3分の1以上の改善を示しました 。

公開ベンチマークでの結果はさらに顕著です。BrowseCompの全データセット（1,266問）において、レビュー段階での合意形成の度合いによってパフォーマンスが明確に層別化されました 。

• 調査者と専任レビュアーの**両者によって「検証済み（VERIFIED）」**と判断された場合：正解率 86.4%
• 調査者のみがレビュー：70.9%
• 専任レビュアーのみがレビュー：66.1%
• レビュアーの合意が全くない場合：35.3%

この結果は、最初の「隔離」段階だけでなく、その後の「レビュー」の質も同様に重要であることを示しています。

比較対象として、オリジナルのBrowseCompデータセットでは、GPT-4oやGPT-4.5といった標準的な大規模言語モデル（LLM）の正解率はほぼゼロ（0.6%～0.9%）でした。OpenAIの推論特化型モデルo1は約10%まで改善しましたが、ブラウジングに特化したエージェント「OpenAI Deep Research」でも約51.5%の正解率にとどまっています 。これは、Web検索と推論を組み合わせた高度なタスクの難しさを示しています。

一方、より管理された環境での評価を可能にするBrowseComp-Plusベンチマークにおいて、ArcticSwarmは最難関のデュアル検証済みサブセットで86.4%を記録。これは、同じベンチマークでGPT-5が高性能なQwen3-8Bリトリバーと組み合わさって達成した70.12%や、o3の63.49%といった、他の最強構成のスコアを明確に上回っています 。

エンタープライズへの統合：「CoWork Deep Research」

ArcticSwarmのコンセプトは、学術研究の枠にとどまりません。Snowflakeはこの「集団浅慮」耐性を持つ手法を、同社のエンタープライズプラットフォーム「Snowflake CoWork」の**「Deep Research Mode」**として統合することを発表しました 。

この統合により、ナレッジワーカーはSnowflakeの統制の取れたデータ環境内で、安全かつ高信頼性の分析を直接実行できるようになります。このワークフローは以下の3つの主要機能によって支えられます 。

• アーティファクト（Artifacts）: レポート、コード、分析結果など、セッション中に生成された永続的な成果物。バージョン管理がされ、チーム全体で共有・検証できます。
• ユーザーメモリ（User Memory）: ユーザーの好みや過去の調査パターンをセッションを越えて保持する永続的なコンテキストエンジン。これにより、繰り返しのクエリ効率が向上します。
• Cortex Sense: Snowflakeの文脈認識レイヤー。現在進行中の調査エージェントに対し、関連する社内データ資産、データベーススキーマ、過去の分析結果を自動的に提示します。

企業ユーザーにとって、これはArcticSwarmの「確証バイアスに抵抗する能力」が、構造化されたSQLデータベースへのクエリと、非構造化の社内文書の探索という、現実の複雑なデータ環境に適用されることを意味します。最終的な意思決定者の目に触れる前に、厳格で独立した検証を生き延びた回答だけが提示されるのです。