為什麼一群 AI 開會討論反而會「變笨」？Snowflake 用這招徹底打敗了 AI 的盲從現象

結果赤裸裸地驗證了 ArcticSwarm 架構的必要性。不受限制的點對點通訊，立即導致了證據多樣性的崩潰。 研究團隊觀察到，不同智能體所擷取的網址清單之間，出現了高度的重疊性（Jaccard overlap）。這表示它們根本沒有分工去覆蓋更廣泛的資訊，而是同時擠在同一批網頁上，追尋著同一條早期的線索。

更關鍵的指標是所謂的**「有效樣本數」（Effective Sample Size, ESS）**——它衡量的是這個系統實際上模擬了多少個「真正獨立的調查員」。在設有讀取屏障的情況下，有效樣本數明顯高出許多。這項發現證實了，隔離機制所強迫產生的多樣化探索行為，正是被自由聊天功能徹底摧毀的關鍵資產 。

用數字說話：橫掃 BrowseComp 與 BrowseComp-Plus 的驚人成績

ArcticSwarm 的設計理念，直接轉化成了巨大的效能提升。在 Snowflake 自家的內部混合式深度研究基準測試中，ArcticSwarm 的準確率達到 64.18%，相較於單一智能體配置僅 47.08% 的基線，提升幅度超過了三分之一 。

它在公開基準測試上的成果更是驚人。在完整的 BrowseComp 資料集（包含 1,266 個問題）中，效能表現與審查階段所達成的共識程度呈現高度分層 ：

• 當研究結果同時被一位建構者（builder）及一位專職審查者（dedicated reviewer）驗證為真時，準確率一舉飆升至 86.4%。
• 若僅有建構者自行審查，準確率則降至 70.9%。
• 若只有專職審查者把關，準確率為 66.1%。
• 而當審查者之間完全沒有任何共識時，準確率會暴跌至僅 35.3%。

這個現象說明了，初始的隔離階段固然重要，但後續審查的品質同樣至關重要。

拿這份成績去跟其他模型比較，更能看出其價值。在原始的 BrowseComp 資料集上，標準的大型語言模型（LLM）如 GPT-4o 和 GPT-4.5，其準確率是接近於零的水準（0.6%–0.9%）。即使是 OpenAI 專精於推理的 o1 模型，也只能提升到大約 10%。而 OpenAI 的 Deep Research，這個專為瀏覽而訓練的智能體，其準確率則達到了約 51.5% 。

在另一個更受控的 BrowseComp-Plus 基準測試中，最強大的競爭組合是 GPT-5 搭配 Qwen3-8B 搜尋器，達到 70.12% 的準確率；以及 o3 搭配同款搜尋器，達到 63.49% 。而 ArcticSwarm 在 BrowseComp-Plus 最困難的（雙重驗證）子集上取得的 86.4% 成績，顯然遠遠超越了這些已建立的標竿 。

走入企業：Snowflake CoWork 的深度研究模式

這些設計理念並非僅止於學術研究。Snowflake 現正將 ArcticSwarm 這套能抵抗群體迷思的方法論，透過Snowflake CoWork 的「深度研究模式」（Deep Research Mode），整合到其企業平台之中 。

這項整合旨在讓知識工作者，能夠直接在 Snowflake 受監管的資料環境中，執行安全且具備高可信度的分析。此工作流程由三項關鍵功能提供支援 ：

• Artifacts：可被持久化並進行版本控制的產出物，如報告、程式碼和分析結果。團隊成員可以共享並檢閱這些由 AI 產生的內容。
• User Memory：一個持久的脈絡引擎，能記住用戶的偏好和過往的研究模式，並跨不同工作階段提供服務，以優化未來的查詢體驗。
• Cortex Sense：一個具備情境感知能力的層級，能自動向正在工作中的研究智能體，推薦相關的內部資料資產、資料庫結構描述和過往的分析紀錄。

對企業用戶而言，這意謂著 ArcticSwarm 抵抗確認偏誤（Confirmation bias）的能力，將能被應用到那些雜亂無章、同時包含「結構化 SQL 資料庫查詢」與「非結構化內部文件瀏覽」的組合型任務上。它所交付的答案，在呈現在人類決策者面前之前，都已經歷了一場嚴謹、獨立的交叉檢驗。