Su arXiv, alcuni ricercatori hanno presentato ArcticSwarm, un sistema multi-agente progettato per le ricerche web che richiedono molto tempo. A differenza dei sistemi precedenti, in cui gli agenti votano appena hanno finito, ArcticSwarm mantiene separate la fase di ricerca e quella decisionale. Un «gate di raccolta» consente agli agenti di pubblicare i risultati su una bacheca condivisa, impedendo però loro di leggere il lavoro degli altri. In seguito, un «gate di integrazione» verifica tre volte ogni possibile risposta prima di accettarla. Se una verifica non viene superata, il sistema riavvia la ricerca invece di scartare semplicemente la risposta.
Gli autori hanno testato l’architettura sul benchmark BrowseComp‑Plus, composto da 830 domande aperte che richiedono ricerche web. Con il modello open-weight Qwen 3.5‑27B, ArcticSwarm ha raggiunto un’accuratezza dell’82,6%. Nelle stesse condizioni, il precedente sistema MiroFlow si è fermato al 70,6%, mentre un semplice approccio basato sul voto a maggioranza ha ottenuto il 62,5% con lo stesso budget di token. Lo studio ha anche misurato quanto spesso i gruppi si aggrappassero a una risposta iniziale sbagliata: senza il gate di raccolta, nel 32,2% delle esecuzioni veniva mantenuta una prima risposta errata; con il gate attivo, la quota scendeva al 22,3%, una riduzione associata a un calo di 3,8 punti nell’accuratezza. La rimozione del gate di integrazione ha comportato un calo maggiore, pari a 5,9 punti.
Come si confronta con gli altri metodi multi-agente
Il sistema a due gate di ArcticSwarm affronta direttamente un problema che gli autori chiamano «consenso prematuro»: gli agenti scelgono una possibile risposta prima di aver raccolto prove sufficienti. Le tradizionali ricerche multi-agente si affidano al voto a maggioranza dopo che tutti gli agenti hanno terminato, un metodo che non può introdurre risposte che nessuna singola esecuzione ha individuato. Rimandando il consenso fino al completamento di verifiche sistematiche, ArcticSwarm può integrare nuove informazioni emerse in una fase successiva del processo.
L’articolo riporta anche i risultati ottenuti con GPT‑5 su query di BrowseComp eseguite sul web in tempo reale. ArcticSwarm ha totalizzato il 73,6%, superando il punteggio pubblicato di GPT‑5, pari al 54,9%, e il 63,4% di MiroFlow sullo stesso compito. Questi risultati suggeriscono che i vantaggi dell’architettura non si limitano a un singolo modello linguistico.
Perché l’approccio basato sui gate è importante oggi
La ricerca web su più passaggi è una componente fondamentale di molti strumenti per i consumatori, dagli assistenti per la ricerca ai servizi di verifica dei fatti. Gli attuali approcci multi-agente spesso si fissano troppo presto su una risposta, riducendo l’affidabilità. ArcticSwarm dimostra che separare la raccolta delle prove dalla loro integrazione può aumentare la correttezza senza richiedere più capacità di calcolo, semplicemente riprogettando il flusso di lavoro.
Per gli sviluppatori che realizzano prodotti di IA arricchiti con funzioni di ricerca, lo studio offre uno schema concreto: introdurre una fase in cui gli agenti pubblicano i risultati senza poterli leggere, quindi effettuare più passaggi di verifica prima di presentare la risposta finale. L’approccio non richiede modelli proprietari: funziona anche con modelli open-weight come Qwen 3.5‑27B.
Perché conta
Per chi usa ogni giorno strumenti di ricerca basati sull’IA, il sistema di ArcticSwarm potrebbe offrire risposte più affidabili senza aumentare la potenza di calcolo. Gli sviluppatori possono adottare il flusso di lavoro basato sui gate per ridurre gli errori dovuti al consenso prematuro e rendere più affidabili gli assistenti di ricerca web. Servono ancora verifiche indipendenti su altri benchmark per confermare i miglioramenti su una varietà di compiti.
