# ArcticSwarm migliora le ricerche web multi-agente rinviando il consenso

> La nuova architettura ArcticSwarm separa la raccolta delle prove dalla loro integrazione e porta Qwen 3.5‑27B all’82,6% su BrowseComp.

Oossa · 2026-11-13 · https://oossa.com/it/arcticswarm-boosts-multi-agent-web-search-accuracy-by-delaying-early-consensus

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.

## I fatti

- ArcticSwarm raggiunge un’accuratezza dell’82,6% sul benchmark BrowseComp‑Plus, composto da 830 domande, con Qwen 3.5‑27B.
- Con lo stesso modello e lo stesso budget di token, MiroFlow ottiene il 70,6%, mentre il voto a maggioranza raggiunge il 62,5% sullo stesso test.
- Senza il gate di raccolta, i gruppi mantengono una prima risposta errata nel 32,2% delle esecuzioni; con il gate, la quota scende al 22,3%, con un calo di 3,8 punti nell’accuratezza.
- La rimozione del gate di integrazione riduce l’accuratezza complessiva di 5,9 punti.
- Con GPT‑5 su BrowseComp basato su ricerche web in tempo reale, ArcticSwarm ottiene il 73,6%, contro il 54,9% pubblicato per GPT‑5 e il 63,4% di MiroFlow.

## 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.

## Fonti e riferimenti

1. [ArcticSwarm: Deferring Early Consensus in Long-Horizon Multi-Agent Research](https://arxiv.org/abs/2609.01870) – arXiv cs.MA, 2026-11-13

Ultimo aggiornamento: 2026-11-13