Исследователи, опубликовавшие работу на arXiv, представили ArcticSwarm — мультиагентную систему для длительного веб-поиска. В отличие от прежних решений, где агенты голосуют сразу после завершения работы, ArcticSwarm разделяет этапы поиска и принятия решения. На этапе «сбора» агенты размещают результаты на общей доске, но не могут читать находки друг друга. Позже на этапе «интеграции» система трижды проверяет каждый вариант, прежде чем принять его. Если проверка не пройдена, система возобновляет поиск, а не просто отбрасывает ответ.
Авторы проверили архитектуру на BrowseComp‑Plus — тесте из 830 открытых вопросов для веб-поиска. С открытой моделью Qwen 3.5‑27B ArcticSwarm показала точность 82,6%. Для сравнения, прежняя система MiroFlow в тех же условиях набрала 70,6%, а простой подход с голосованием большинством — 62,5% при том же лимите токенов. В исследовании также оценили, как часто команды цеплялись за неверный первоначальный ответ: без этапа сбора неправильный первый вариант сохранялся в 32,2% запусков, а при включённом этапе — в 22,3%; это соответствовало снижению точности на 3,8 процентного пункта. Удаление этапа интеграции приводило к более значительному снижению — на 5,9 процентного пункта.
Чем этот подход отличается от других мультиагентных методов
Двухэтапная схема ArcticSwarm напрямую решает проблему, которую авторы называют «преждевременным согласием»: агенты выбирают вариант до того, как собрано достаточно свидетельств. В традиционных мультиагентных системах после завершения работы всех агентов проводится голосование большинством, однако так нельзя добавить ответы, которые не обнаружил ни один отдельный запуск. Откладывая согласование до завершения систематических проверок, ArcticSwarm позволяет учесть новые находки, появившиеся на более поздних этапах.
В статье также приводятся результаты тестирования GPT‑5 на запросах BrowseComp с поиском в интернете в реальном времени. ArcticSwarm набрала 73,6% — выше опубликованного результата GPT‑5 в 54,9% и результата MiroFlow в 63,4% на той же задаче. Это говорит о том, что преимущества архитектуры не ограничиваются одной языковой моделью.
Почему подход с этапами проверки важен сейчас
Длительный веб-поиск — ключевой компонент многих потребительских инструментов, от исследовательских помощников до сервисов проверки фактов. Современные мультиагентные системы часто слишком рано останавливаются на ответе, что снижает надёжность. ArcticSwarm показывает, что разделение сбора свидетельств и их анализа может повысить точность без увеличения вычислительных затрат — достаточно изменить порядок работы.
Для разработчиков ИИ-продуктов с поиском по внешним источникам исследование предлагает конкретную схему: сначала реализовать этап публикации результатов, доступных только для чтения, а затем провести несколько раундов проверки, прежде чем выдавать окончательный ответ. Для этого не нужны проприетарные модели: подход работает и с моделями с открытыми весами, такими как Qwen 3.5‑27B.
Почему это важно
Для обычных пользователей ИИ-инструментов поиска подход ArcticSwarm может означать более надёжные ответы без дополнительных вычислительных затрат. Разработчики могут внедрить схему с этапами проверки, чтобы реже сталкиваться с ошибками из-за преждевременного согласия агентов и повысить надёжность веб-поисковых помощников. Чтобы подтвердить эффективность на разных типах задач, необходима независимая проверка на других тестах.
