Pesquisadores publicaram no arXiv o ArcticSwarm, um sistema multiagente desenvolvido para buscas longas na web. Ao contrário de sistemas anteriores, que permitem que os agentes votem assim que terminam, o ArcticSwarm mantém a etapa de busca separada da tomada de decisão. Um “portão de coleta” permite que os agentes publiquem descobertas em um painel compartilhado, mas impede que leiam o trabalho uns dos outros. Depois, um “portão de integração” verifica cada resposta candidata três vezes antes de aceitá-la. Se uma verificação falha, o sistema retoma a busca, em vez de simplesmente descartar a resposta.
Os autores testaram a arquitetura no benchmark BrowseComp-Plus, que reúne 830 perguntas abertas que exigem buscas na web. Com o modelo de pesos abertos Qwen 3.5-27B, o ArcticSwarm alcançou 82,6% de precisão. Em comparação, o sistema anterior MiroFlow chegou a 70,6% nas mesmas condições, enquanto uma abordagem simples de votação por maioria obteve 62,5% com o mesmo orçamento de tokens. O estudo também mediu com que frequência as equipes se apegavam a uma resposta inicial errada: sem o portão de coleta, 32,2% das execuções mantiveram uma primeira resposta candidata incorreta, contra 22,3% com o portão ativado. Essa redução correspondeu a uma queda de 3,8 pontos percentuais na precisão. A remoção do portão de integração provocou uma queda maior, de 5,9 pontos percentuais.
Como o método se compara a outras abordagens multiagente
O sistema de dois portões do ArcticSwarm trata diretamente de um problema que os autores chamam de “consenso precoce”: quando os agentes adotam uma resposta candidata antes de reunir evidências suficientes. As buscas multiagente tradicionais recorrem à votação por maioria depois que todos os agentes terminam, o que não permite incluir respostas que nenhuma execução individual encontrou. Ao adiar o consenso até a conclusão de verificações sistemáticas, o ArcticSwarm pode incorporar descobertas que surgem mais adiante no processo.
O artigo também apresenta resultados com o GPT-5 em consultas do BrowseComp feitas na web em tempo real. O ArcticSwarm obteve 73,6%, superando os 54,9% publicados para o GPT-5 e os 63,4% do MiroFlow na mesma tarefa. Os números indicam que os benefícios da arquitetura vão além de um único modelo de linguagem.
Por que a abordagem baseada em portões importa agora
A busca prolongada na web é um componente essencial de muitas ferramentas para consumidores, de assistentes de pesquisa a serviços de checagem de fatos. As abordagens multiagente atuais costumam chegar a respostas cedo demais, o que reduz a confiabilidade. O ArcticSwarm mostra que separar a coleta de evidências da integração pode aumentar a precisão sem exigir mais poder computacional: basta reformular o fluxo de trabalho.
Para desenvolvedores que criam produtos de IA com busca integrada, o estudo oferece um modelo concreto: implementar uma etapa de publicação sem acesso às contribuições dos demais e, em seguida, fazer várias rodadas de verificação antes de apresentar a resposta final. A abordagem não exige modelos proprietários, pois funciona com modelos de pesos abertos como o Qwen 3.5-27B.
Por que importa
Para quem usa ferramentas de busca com IA no dia a dia, o sistema do ArcticSwarm pode trazer respostas mais confiáveis sem exigir mais poder computacional. Desenvolvedores podem adotar o fluxo de trabalho baseado em portões para reduzir erros causados pelo consenso precoce e aumentar a confiabilidade dos assistentes de busca na web. Ainda é necessária uma validação independente em outros benchmarks para confirmar os ganhos em tarefas variadas.
