🤫 Google готовит замену всей архитектуре ранжирования
Исследователи Google опубликовали новую работу о том, как обучить модель LLM для замены существующих архитектур ранжирования в поисковой выдаче.
Сначала как работает ранжирование сейчас (очень грубо). Имеется два этапа ранжирования. На первом запрос и документы переводят в векторы и быстро отбирают пул кандидатов. Это происходит очень быстро, дешево по затратам, но довольно грубо. На втором этапе из большого пула кандидатов Cross Encoder ранжирует уже отобранных кандидатов. Это дорогой и затратный этап. Именно тут учитываются большинство из 14 тысяч сигналов, которые мы увидели в сливе API Гугла.
Разделение на два этапа - это компромисс между скоростью и точностью, на котором стоит вся современная поисковая инфраструктура, не только у Google.
Гугловцы предлагают заменить этот тандем на одну LLM, которая сама генерирует готовый ранжированный список документов. Это будет единая модель (Autoregressive Ranking, ARR), которая одним проходом решает задачу и грубого отбора, и точного ранжирования. Обучали её методом SToICaL: документам, которые должны стоять выше, дают больший вес при обучении, а вероятность выбора токенов модель распределяет так, чтобы она сама тянулась к более релевантным ответам.
На тестовых наборах новая модель показала качество, близкое к дорогому Cross Encoder, и заметно обошла этап преранжирования.
У текущего паплайна ранжирования есть математическое ограничение: чтобы представить любой возможный порядок из k документов, размерность вектора должна расти линейно с ростом k. У ARR такого ограничения нет - модель с постоянной размерностью скрытого состояния теоретически способна отранжировать произвольное количество документов.
Перспективы у модели большие. Гугловцы костьми ложатся, чтобы снизить стоимость ранжирования. Это огромные финансовые затраты, которые сказываются на прибыли акционеров. Так что в том или ином виде подобная модель будет запущена в работу.
Что с этим делать реально сейчас: ничего конкретного. Пока это исследовательская статья на небольших тестовых датасетах, а не задокументированное изменение живого алгоритма. Если завтра кто-то предложит вам аудит "по мотивам новой архитектуры ранжирования Google" - гоните его сразу, там просто нечего аудировать вручную.
Если Google реально объединит эти два этапа в одну модель, граница между технической индексируемостью и содержательным качеством может стать намного тоньше, чем сейчас. Уже сегодня разумно проверять свой контент не только на "можно ли меня найти", но и на "за что меня выберут среди найденных" - в единой модели эти два вопроса рискуют слиться в один.
PS
Именно из подобной статьи и именно от Гугл Девелоперов родилась превосходная система GIST, о которой я много вам рассказывал, которую вам выдавал и которая встроена в систему Cocoon Engine X4.
#DrMax #SEO #GoogleDeepMind #Ranking
Исследователи Google опубликовали новую работу о том, как обучить модель LLM для замены существующих архитектур ранжирования в поисковой выдаче.
Сначала как работает ранжирование сейчас (очень грубо). Имеется два этапа ранжирования. На первом запрос и документы переводят в векторы и быстро отбирают пул кандидатов. Это происходит очень быстро, дешево по затратам, но довольно грубо. На втором этапе из большого пула кандидатов Cross Encoder ранжирует уже отобранных кандидатов. Это дорогой и затратный этап. Именно тут учитываются большинство из 14 тысяч сигналов, которые мы увидели в сливе API Гугла.
Разделение на два этапа - это компромисс между скоростью и точностью, на котором стоит вся современная поисковая инфраструктура, не только у Google.
Гугловцы предлагают заменить этот тандем на одну LLM, которая сама генерирует готовый ранжированный список документов. Это будет единая модель (Autoregressive Ranking, ARR), которая одним проходом решает задачу и грубого отбора, и точного ранжирования. Обучали её методом SToICaL: документам, которые должны стоять выше, дают больший вес при обучении, а вероятность выбора токенов модель распределяет так, чтобы она сама тянулась к более релевантным ответам.
На тестовых наборах новая модель показала качество, близкое к дорогому Cross Encoder, и заметно обошла этап преранжирования.
У текущего паплайна ранжирования есть математическое ограничение: чтобы представить любой возможный порядок из k документов, размерность вектора должна расти линейно с ростом k. У ARR такого ограничения нет - модель с постоянной размерностью скрытого состояния теоретически способна отранжировать произвольное количество документов.
Перспективы у модели большие. Гугловцы костьми ложатся, чтобы снизить стоимость ранжирования. Это огромные финансовые затраты, которые сказываются на прибыли акционеров. Так что в том или ином виде подобная модель будет запущена в работу.
Что с этим делать реально сейчас: ничего конкретного. Пока это исследовательская статья на небольших тестовых датасетах, а не задокументированное изменение живого алгоритма. Если завтра кто-то предложит вам аудит "по мотивам новой архитектуры ранжирования Google" - гоните его сразу, там просто нечего аудировать вручную.
Если Google реально объединит эти два этапа в одну модель, граница между технической индексируемостью и содержательным качеством может стать намного тоньше, чем сейчас. Уже сегодня разумно проверять свой контент не только на "можно ли меня найти", но и на "за что меня выберут среди найденных" - в единой модели эти два вопроса рискуют слиться в один.
PS
Именно из подобной статьи и именно от Гугл Девелоперов родилась превосходная система GIST, о которой я много вам рассказывал, которую вам выдавал и которая встроена в систему Cocoon Engine X4.
📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение
📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026
❄️Всяческая SEO халява
🎮 Реестр моих Free промптов из спецпромптканала
#DrMax #SEO #GoogleDeepMind #Ranking