Så bryter Snowflakes ArcticSwarm AI:s grupptänkande – och krossar branschens riktmärken

Ablationsstudier: Fri chatt är mångfaldens fiende

För att testa om detta isolerande tillvägagångssätt faktiskt fungerade genomförde Snowflake en ablationsstudie på en delmängd om 120 frågor från BrowseComp-riktmärket . Tre konfigurationer testades: den grindade anslagstavlan, helt obegränsad peer-to-peer-meddelandehantering och oberoende en-agent-körningar .

Resultaten validerade arkitekturen på ett slående sätt. Obegränsad peer-to-peer-meddelandehantering fick bevisdiversiteten att kollapsa omedelbart. Teamet observerade en hög Jaccard-överlappning mellan de URL-uppsättningar som olika agenter hämtade. Istället för att dela upp forskningsbördan för att täcka mer mark, konvergerade agenterna på samma sidor i jakten på samma tidiga ledtråd. Ännu mer kritiskt var att den effektiva urvalsstorleken (Effective Sample Size, ESS) – ett mått på hur många genuint distinkta utredare systemet emulerar – var signifikant högre med läsbarriären på plats. Isoleringen tvingade fram en mångsidig utforskning som den fria chatten förstörde .

Riktmärkesresultat: BrowseComp och BrowseComp-Plus

ArcticSwarms design översätts till massiva prestandavinster. På Snowflakes eget interna hybrida djupforskningsriktmärke nådde ArcticSwarm 64,18 % träffsäkerhet jämfört med en 47,08 % baseline för en-agent-konfigurationer – en förbättring på över en tredjedel .

Resultaten på publika riktmärken är ännu mer slående. På det fullständiga BrowseComp-datasetet (1 266 frågor) var prestandan mycket starkt stratifierad baserat på hur mycket konsensus som nåddes under granskningen :

• När fynden VERIFIERADES av både en byggare och en dedikerad granskare, steg träffsäkerheten till 86,4 %.
• Med endast byggargranskning sjönk frekvensen till 70,9 %.
• Med enbart en dedikerad granskare var den 66,1 %.
• När ingen konsensus mellan granskare fanns, störtdök träffsäkerheten till blott 35,3 %.
  Detta visar att kvaliteten på den efterföljande granskningsfasen är precis lika avgörande som den initiala isoleringen.

Som jämförelse uppnår standard-LLM:er som GPT-4o och GPT-4.5 en träffsäkerhet nära noll (0,6 %–0,9 %) på det ursprungliga BrowseComp-datasetet. OpenAI:s resonemangsspecialiserade o1-modell förbättrades till cirka 10 %, medan OpenAI Deep Research, en specialiserad surfagent, nådde ~51,5 % träffsäkerhet .

På det mer kontrollerade BrowseComp-Plus-riktmärket är de starkaste konkurrerande konfigurationerna GPT-5 kombinerad med en Qwen3-8B-hämtare, som når 70,12 % träffsäkerhet, samt o3 som når 63,49 % med samma hämtare . ArcticSwarms 86,4 % på den svåraste, dubbelverifierade delmängden av BrowseComp-Plus överträffar klart dessa etablerade baslinjer .

ArcticSwarm i företaget: CoWork Deep Research

Dessa koncept är inte begränsade till akademisk forskning. Snowflake integrerar nu ArcticSwarms grupptänkanderesistenta metodik i sin företagsplattform genom Snowflake CoWorks Deep Research-läge . Integrationen är utformad för att låta kunskapsarbetare köra säker analystjänst med hög konfidens direkt inom Snowflakes styrda datamiljö. Arbetsflödet stöds av tre nyckelfunktioner :

• Artefakter (Artifacts): Beständiga, versionshanterade utdata som rapporter, kod och analyser som kan delas och inspekteras av hela teamet.
• Användarminne (User Memory): En beständig kontextmotor som bevarar användarpreferenser och tidigare forskningsmönster över olika sessioner för att förbättra framtida sökningar.
• Cortex Sense: Ett kontextmedvetenhetslager som automatiskt lyfter fram relevanta interna datatillgångar, databasscheman och tidigare analyser för den aktiva forskningsagenten.

För företagsanvändare innebär detta att ArcticSwarms förmåga att motstå bekräftelsebias kan tillämpas på den röriga kombinationen av strukturerade SQL-databasfrågor och ostrukturerad intern dokumentgranskning, och leverera svar som har genomgått en rigorös, oberoende dubbelkontroll innan de presenteras för en mänsklig beslutsfattare.