Investigadores publicaron en arXiv ArcticSwarm, un sistema multiagente diseñado para búsquedas web de largo recorrido. A diferencia de sistemas anteriores, que permitían a los agentes votar en cuanto terminaban, ArcticSwarm mantiene separadas las fases de búsqueda y decisión. Una «puerta de recopilación» permite a los agentes publicar sus hallazgos en un tablero compartido, pero les impide leer el trabajo de los demás. Más adelante, una «puerta de integración» verifica cada respuesta candidata tres veces antes de aceptarla. Si una verificación falla, el sistema reanuda la búsqueda en lugar de descartar sin más la respuesta.
Los autores probaron la arquitectura con el benchmark BrowseComp‑Plus, que contiene 830 preguntas abiertas de búsqueda web. Con el modelo de pesos abiertos Qwen 3.5‑27B, ArcticSwarm alcanzó una precisión del 82.6%. En cambio, el sistema anterior MiroFlow obtuvo un 70.6% en las mismas condiciones, y un método sencillo de votación por mayoría logró un 62.5% con el mismo presupuesto de tokens. El estudio también midió con qué frecuencia los equipos se aferraban a una respuesta inicial equivocada: sin la puerta de recopilación, el 32.2% de las ejecuciones mantuvo una primera respuesta incorrecta, frente al 22.3% cuando la puerta estaba activada; esa diferencia correspondió a una caída de 3.8 puntos en la precisión. Eliminar la puerta de integración provocó una caída mayor, de 5.9 puntos.
Cómo se compara el diseño con otros métodos multiagente
El diseño de dos puertas de ArcticSwarm aborda directamente un problema que los autores llaman «consenso prematuro»: los agentes adoptan una respuesta candidata antes de reunir pruebas suficientes. Las búsquedas multiagente tradicionales se basan en una votación por mayoría después de que todos los agentes terminan, un método que no permite incorporar respuestas que ninguna ejecución individual haya descubierto. Al aplazar el consenso hasta después de realizar verificaciones sistemáticas, ArcticSwarm puede incorporar nuevos hallazgos que surgen más adelante en el proceso.
El artículo también presenta resultados con GPT‑5 en consultas de BrowseComp en la web en vivo. ArcticSwarm obtuvo un 73.6%, por encima del 54.9% publicado para GPT‑5 y del 63.4% de MiroFlow en la misma tarea. Estas cifras sugieren que las ventajas de la arquitectura no se limitan a un solo modelo de lenguaje.
Por qué importa ahora el enfoque basado en puertas
La búsqueda web de largo recorrido es un componente central de muchas herramientas de consumo, desde asistentes de investigación hasta servicios de verificación de datos. Los enfoques multiagente actuales suelen llegar demasiado pronto a una respuesta, lo que reduce su fiabilidad. ArcticSwarm demuestra que separar la recopilación de pruebas de su integración puede aumentar la precisión sin necesitar más capacidad de cómputo: basta con rediseñar el flujo de trabajo.
Para quienes desarrollan productos de IA que incorporan búsquedas, el estudio ofrece un plan concreto: implementar una etapa de publicación de solo lectura y, después, realizar varias rondas de verificación antes de presentar una respuesta final. El enfoque no requiere modelos propietarios, ya que funciona con modelos de pesos abiertos como Qwen 3.5‑27B.
Por qué importa
Para quienes usan a diario herramientas de búsqueda con IA, el diseño de ArcticSwarm podría ofrecer respuestas más fiables sin aumentar la capacidad de cómputo. Los desarrolladores pueden adoptar el flujo de trabajo basado en puertas para reducir los errores provocados por el consenso prematuro y mejorar la confianza en los asistentes de búsqueda web. Aún se necesita una validación independiente en otros benchmarks para confirmar que las mejoras se mantienen en tareas diversas.
