AI 集體「鋤大弟」？Snowflake 新招迫機械人獨立思考，準確度達 86.4% 砌低 GPT

結果一巴掌打醒咗好多人。無限制嘅點對點通訊，極速令到證據嘅多樣性崩潰。 研究團隊觀察到，唔同智能體提取嘅網址（URL），佢哋嘅 Jaccard 重疊度高到得人驚。換句話講，佢哋根本冇分工去覆蓋更多地方，而係一齊湧去睇嗰幾版資料，個個都跟住同一個早期線索走。

更關鍵嘅係，量度系統模擬到幾多個真正獨立調查員嘅「有效樣本數」（Effective Sample Size，ESS），喺有閱讀屏障嘅情況下明顯高好多。隔離狀態強迫智能體進行多元化探索，而呢樣嘢正正係自由傾偈所摧毀咗嘅嘢 。

BrowseComp 同 BrowseComp-Plus 基準戰績：86.4% 對 51.5%

ArcticSwarm 嘅設計唔係得個講字，反映喺實際戰績上就係大幅嘅效能提升。喺 Snowflake 內部嘅混合深度研究基準測試入面，ArcticSwarm 嘅準確度達到 64.18%，相比起單一智能體配置嘅 47.08%，足足提升咗超過三分一 。

佢喺公開基準測試嘅表現仲犀利。喺完整嘅 BrowseComp 數據集（1,266 條問題）入面，效能同覆檢期間達成共識嘅程度有好強嘅關聯 ：

• 當研究結果同時得到「建立者」同「專職覆檢員」雙方確認（VERIFIED），準確度飆升到 86.4%。
• 只有建立者自己覆檢嘅話，準確度跌到 70.9%。
• 只有專職覆檢員嘅話，係 66.1%。
• 如果完全冇覆檢共識，準確度急插到得返 35.3%。

呢個結果證明，後續覆檢階段嘅質素，同起初嘅隔離一樣咁關鍵。

比較返對手，喺原始 BrowseComp 數據集上，標準嘅大型語言模型如 GPT-4o 同 GPT-4.5，準確度接近零（0.6%–0.9%）。OpenAI 專注推理嘅 o1 模型好少少，提升到大約 10%，而專門訓練嚟做持續瀏覽嘅 OpenAI Deep Research 智能體，準確度就大約去到 51.5% 。

再睇更加受控嘅 BrowseComp-Plus 基準，最強嘅競爭配置係 GPT-5 配合 Qwen3-8B 檢索器，達到 70.12% 準確度，而 o3 用同一個檢索器就達到 63.49% 。ArcticSwarm 喺 BrowseComp-Plus 最難、需要雙重驗證嘅子集上達到嘅 86.4%，明顯超越咗呢啲現有嘅基準 。

殺入企業應用：CoWork 深度研究模式

呢啲打破小圈子思維嘅概念並唔係留喺學術論文度。Snowflake 而家正將 ArcticSwarm 呢套反小圈子思維嘅方法論，整合到佢嘅企業平台，透過 Snowflake CoWork 嘅「深度研究模式」 推出 。

呢個整合等知識型員工可以喺 Snowflake 受監管嘅數據環境入面，直接進行安全、高可信度嘅分析。整個工作流程由三大功能支撐 ：

• Artifacts（產物）：持久性、有版本控制嘅輸出，例如報告、代碼同分析，成個團隊都可以分享同檢視。
• User Memory（用戶記憶）：一個持久性嘅上下文引擎，可以記住用戶嘅偏好同過往嘅研究模式，跨唔同階段去改善未來嘅查詢。
• Cortex Sense（皮層感知）：一個情境感知層，會自動向活躍嘅研究智能體，展示相關嘅內部數據資產、數據庫結構同過往分析。

對企業用家嚟講，即係 ArcticSwarm 抵抗確認偏誤（Confirmation bias）嘅能力，可以應用到結構化 SQL 數據庫查詢，同非結構化內部文件瀏覽嘅混合流程度。佢俾到嘅答案，係經過咗嚴格、獨立嘅交叉驗證，先會呈現俾人類決策者睇。