ArcticSwarm：雪花的“先隔离后审议”兵法如何终结AI群体迷思

实验结果有力地证明了该架构的正确性。不受限的点对点消息立即导致了证据多样性的崩溃。 研究团队观察到，不同智能体抓取的URL集合之间出现了高度的Jaccard相似度（高重叠率）。这意味着智能体们并没有分工去覆盖更广的信息面，而是收敛到了相同的网页上，共同追逐那条最先出现的线索。更关键的是，在有“阅读屏障”存在的情况下，系统的有效样本量（Effective Sample Size，简称ESS），也就是衡量系统模拟了多少个真正独立思考研究员的指标，远远高于自由聊天的模式。隔离机制所强制催生的多样性探索，恰恰是被自由聊天摧毁掉的东西 。

基准测试：BrowseComp与BrowseComp-Plus上的惊人表现

ArcticSwarm的设计理念转化为了巨大的性能优势。在Snowflake内部的一个混合型深度研究基准上，ArcticSwarm的准确率达到了64.18%，而单智能体的基线配置仅为47.08%，性能提升超过三分之一 。

它在公开基准测试上的结果更为惊艳。在完整的BrowseComp数据集（1266个问题）上，性能表现与审议阶段达成共识的程度高度相关 ：

• 当发现结果被构建者和专门的审议者双重验证时，准确率飙升至 86.4%。
• 仅由构建者自审，准确率降至 70.9%。
• 仅有专门审议者审查，准确率为 66.1%。
• 当审议环节完全没有达成共识时，准确率暴跌至 35.3%。
  这表明，继初始隔离之后，后续审议阶段的质量同样至关重要。

相比之下，在原始的BrowseComp数据集上，GPT-4o和GPT-4.5这样的标准大语言模型准确率几乎为零（0.6%–0.9%）。专攻推理的OpenAI o1模型提升到了约10%，而受过专门训练的OpenAI Deep Research作为一个专门的浏览智能体，取得了约51.5%的准确率 。

在更可控的BrowseComp-Plus基准测试中，最强的竞争配置是GPT-5搭配Qwen3-8B检索器，准确率达到70.12%，以及o3搭配同样的检索器，达到63.49% 。而ArcticSwarm在BrowseComp-Plus中最严苛的“双重验证”子集上取得的86.4%的准确率，清晰地超越了这些已有的基线水平 。

落地企业：CoWork深度研究模式

这套技术并未止步于学术研究。Snowflake正将ArcticSwarm反群体迷思的方法论，通过Snowflake CoWork的“深度研究模式”，整合到其企业平台中 。这项功能旨在让知识工作者在Snowflake受管控的数据环境中，直接运行安全、高置信度的分析。其工作流由三个关键功能支撑 ：

• Artifacts（工作产物）：报告、代码和分析等可持久化、有版本控制的产出物，可供整个团队共享和审查。
• User Memory（用户记忆）：一个持久化的上下文引擎，能记住用户的偏好和过往的研究模式，并跨会话地应用于改善未来的查询任务。
• Cortex Sense（上下文感知能力）：一种情景感知层，能在研究进程中自动为活跃的智能体调出相关的内部数据资产、数据库模式以及过往的分析。

对于企业用户而言，这意味着ArcticSwarm抵御确认偏误的能力，可以被应用于结构化SQL数据库查询和非结构化内部文档浏览的复杂混合场景中。在给人类决策者提供任何答案之前，这些答案已然经受住了一场严谨的、独立的交叉验证。