پژوهشگران در arXiv از ArcticSwarm رونمایی کرده‌اند؛ سامانه‌ای چندعاملی که برای جست‌وجوهای طولانی‌مدت در وب طراحی شده است. برخلاف روش‌های پیشین که به عامل‌ها اجازه می‌دادند به‌محض پایان کار رأی‌گیری کنند، ArcticSwarm مرحله جست‌وجو را از مرحله تصمیم‌گیری جدا نگه می‌دارد. «دروازه گردآوری» به عامل‌ها اجازه می‌دهد یافته‌هایشان را روی تابلویی مشترک ثبت کنند، اما نمی‌گذارد کار یکدیگر را بخوانند. در مرحله بعد، «دروازه تلفیق» هر پاسخ پیشنهادی را سه بار بررسی می‌کند و سپس آن را می‌پذیرد. اگر یکی از بررسی‌ها نتیجه ندهد، سامانه به‌جای کنارگذاشتن پاسخ، جست‌وجو را از سر می‌گیرد.
نویسندگان این معماری را با معیار BrowseComp‑Plus آزمایش کردند؛ مجموعه‌ای شامل 830 پرسش باز درباره جست‌وجوی وب. ArcticSwarm با مدل دارای وزن‌های باز Qwen 3.5‑27B به دقت 82.6% رسید. در مقابل، سامانه پیشین MiroFlow در شرایط یکسان امتیاز 70.6% گرفت و روش ساده رأی‌گیری اکثریت، با همان بودجه توکن، امتیاز 62.5% کسب کرد. این پژوهش همچنین سنجید که گروه‌ها چند بار به پاسخ اولیه اشتباه خود می‌چسبند: بدون دروازه گردآوری، در 32.2% اجراها نخستین پاسخ پیشنهادیِ نادرست حفظ شد؛ با فعال‌بودن دروازه، این میزان به 22.3% رسید؛ کاهشی که با افت 3.8 واحد درصدی دقت همراه بود. حذف دروازه تلفیق افت بزرگ‌تری، معادل 5.9 واحد درصد، در پی داشت.
مقایسه این طراحی با روش‌های چندعاملی دیگر
طراحی دو‌دروازه‌ای ArcticSwarm مستقیماً به مشکلی می‌پردازد که نویسندگان آن را «توافق زودهنگام» می‌نامند؛ یعنی وقتی عامل‌ها پیش از گردآوری شواهد کافی، روی یک پاسخ پیشنهادی توافق می‌کنند. در جست‌وجوهای چندعاملی سنتی، پس از پایان کار همه عامل‌ها رأی‌گیری اکثریت انجام می‌شود؛ روشی که نمی‌تواند پاسخ‌هایی را وارد کند که هیچ‌یک از اجراهای منفرد به آن‌ها نرسیده‌اند. ArcticSwarm با به‌تعویق‌انداختن توافق تا پس از بررسی‌های نظام‌مند، می‌تواند یافته‌های تازه‌ای را که در ادامه فرایند به دست می‌آیند وارد کند.
این مقاله همچنین نتایج استفاده از GPT‑5 را برای پرسش‌های BrowseComp در وب زنده گزارش می‌کند. ArcticSwarm امتیاز 73.6% گرفت و از امتیاز منتشرشده GPT‑5، یعنی 54.9%، و امتیاز 63.4% سامانه MiroFlow در همین آزمون بهتر عمل کرد. این ارقام نشان می‌دهند مزایای این معماری به یک مدل زبانی خاص محدود نیست.
چرا رویکرد مبتنی بر دروازه اکنون اهمیت دارد
جست‌وجوی طولانی‌مدت در وب از اجزای اصلی بسیاری از ابزارهای مصرفی، از دستیارهای پژوهشی گرفته تا سرویس‌های راستی‌آزمایی، است. روش‌های چندعاملی کنونی اغلب خیلی زود به پاسخ می‌رسند و در نتیجه قابل‌اعتمادبودنشان کاهش می‌یابد. ArcticSwarm نشان می‌دهد که با جداکردن گردآوری شواهد از تلفیق آن‌ها می‌توان بدون نیاز به توان محاسباتی بیشتر، صرفاً با بازطراحی روند کار، دقت را بالا برد.
این پژوهش برای توسعه‌دهندگانی که محصولات هوش مصنوعی مجهز به جست‌وجو می‌سازند، الگویی عملی ارائه می‌کند: مرحله‌ای برای ثبت یافته‌ها که امکان خواندن آن‌ها وجود ندارد پیاده‌سازی کنید و سپس پیش از ارائه پاسخ نهایی، چند دور بررسی انجام دهید. این روش به مدل‌های اختصاصی نیاز ندارد و با مدل‌های دارای وزن‌های باز، مانند Qwen 3.5‑27B، هم کار می‌کند.
چرا مهم است
برای کاربران روزمره ابزارهای جست‌وجوی مجهز به هوش مصنوعی، طراحی ArcticSwarm می‌تواند به پاسخ‌های قابل‌اعتمادتر بدون افزایش توان محاسباتی منجر شود. توسعه‌دهندگان می‌توانند با به‌کارگیری روند کار مبتنی بر دروازه، خطاهای ناشی از توافق زودهنگام را کاهش دهند و دستیارهای جست‌وجوی وب را قابل‌اعتمادتر کنند. برای اطمینان از تکرار این بهبودها در وظایف متنوع، هنوز اعتبارسنجی مستقل روی معیارهای دیگر لازم است.
