DrMax SEO Casts


Гео и язык канала: Россия, Русский


DrMax о современном SEO: Слушайте, применяйте, доминируйте!

Связанные каналы

Гео и язык канала
Россия, Русский
Статистика
Фильтр публикаций


🔥 Разблокировка Разнообразия LLM

По мотивам постов (первый и второй) о креативности контента и анализа исследования.

Коллапс моды (mode collapse) — это явление, при котором большие языковые модели (LLM) после выравнивания (post-training alignment), например, с помощью RLHF, демонстрируют значительное снижение разнообразия ответов, предпочитая узкий набор стереотипных результатов. Авторы исследования определяют, что основной причиной этого является предвзятость типичности (typicality bias), которая широко распространена в данных предпочтений, собранных от аннотаторов. Эта предвзятость основана на когнитивных принципах (например, эффект простого воздействия), заставляющих людей систематически отдавать предпочтение знакомому или типичному тексту.

Теоретический анализ показывает, что эта предвзятость строго обостряет распределение вероятностей, приводя к концентрации вероятностной массы на наиболее типичных ответах, особенно когда множество ответов имеют одинаковую фактическую полезность (например, в креативном письме).

Решение: Вербализованное Сэмплирование (VS)

В качестве решения предлагается Вербализованное Сэмплирование (Verbalized Sampling, VS), простая стратегия промптинга, не требующая дополнительного обучения. Вместо традиционного запроса на один экземпляр ответа (например, "Расскажи мне анекдот...") VS явно запрашивает у модели вербализацию распределения ответов с соответствующими вероятностями (например, "Сгенерируй 5 ответов с их вероятностями").

Результаты и преимущества

VS эффективно обходит коллапс моды, восстанавливая разнообразие, присущее базовой модели. Комплексные эксперименты показали значительные улучшения в:

1. Креативном письме: VS увеличивает разнообразие результатов (стихи, истории, шутки) в 1.6–2.1 раза по сравнению с прямым промптингом.

2. Симуляции диалогов: VS помогает моделям генерировать более разнообразные беседы и симулировать распределение человеческого поведения (например, суммы пожертвований) более реалистично.

3. Открытых вопросах (Open-Ended QA): VS генерирует более широкое и реалистичное распределение ответов, улучшая соответствие исходному распределению данных предобучения.

4. Генерации синтетических данных: VS создает более разнообразные синтетические данные, что, в свою очередь, улучшает производительность моделей в последующих математических задачах.

Важно отметить, что VS достигает этих улучшений в разнообразии без ущерба для фактической точности или безопасности модели. Кроме того, наблюдается тенденция, что более способные (крупные) модели получают больше пользы от VS.

В целом, работа предлагает новый взгляд на проблему коллапса моды, объясняя ее через предвзятость в данных, и предоставляет практическое, легковесное решение, раскрывающее потенциал генеративного разнообразия LLM

#DrMax #LLM


4.3. ТЕХНИЧЕСКИЕ СИГНАЛЫ ИЗ УТЕЧЕК (касаемые Core Web Vitals )

В сегодняшнем обсуждении раздела книги "DrMax SEO 2026" были затронуты следующие моменты:

1. Техническая Производительность как Фундамент Ранжирования: Утечка документации Content Warehouse API в 2024 году подтвердила, что техническая производительность — это не просто "лучшие практики", а фундаментальный слой, на котором строятся оценки качества. Было раскрыто существование конкретных измеряемых сигналов, которые хранятся и используются алгоритмами.

2. Прямое Использование Core Web Vitals (CWV): Google не просто рекомендует CWV, а измеряет и сохраняет эти данные для каждого документа в атрибутах mobileCwv и desktopCwv. Эти контейнеры хранят метрики LCP, INP и CLS, собранные из отчетов Chrome User Experience Report (CrUX). Критически важно, что эти данные прямо "используются для изменений в ранжировании".

3. Приоритет MobileCWV: Разделение данных на мобильные (mobileCwv) и десктопные (desktopCwv) подтверждает философию mobile-first indexing. Учитывая, что большинство запросов поступает с мобильных устройств, mobileCwv имеет больший вес в общей оценке.

4. Цепная Реакция Негативных Сигналов: Плохие технические метрики (особенно в mobileCwv) запускают каскад негативных последствий:

⏺Они являются прямым сигналом низкого качества.
⏺Они активно генерируют негативные поведенческие сигналы, такие как `badClicks` (пользователь нажимает "назад"), которые регистрируются системой NavBoost.
⏺Они способствуют эрозии доверия (Trust), поскольку медленная загрузка или сдвиги макета расцениваются как препятствие использованию основного контента.

5. Важность Time-to-First-Byte (TTFB): Атрибут time-to-first-byte-per-doc (Время до первого байта) измеряется через CrUX и является чистой мерой производительности бэкенда. Это "нулевой этап" загрузки, и высокий TTFB гарантирует плохие последующие метрики, включая LCP.

6. Последствия Высокого TTFB: Высокий TTFB является первопричиной генерации самых сильных негативных поведенческих сигналов (badClick), поскольку пользователь долго ждет перед белым экраном. Кроме того, высокий TTFB сигнализирует Googlebot о перегруженности сервера, что приводит к снижению частоты сканирования (краулингового бюджета).

В итоге, в свете утечек, mobileCwv, desktopCwv и TTFB следует рассматривать как фундаментальные "проверки на вменяемость" сайта. Провал этого технического экзамена запускает цепную реакцию негативных сигналов, способную свести на нет все усилия по созданию качественного контента. Оптимизация этих метрик, как показывают реальные кейсы, напрямую улучшает поведенческие факторы (меньше отказов, больше страниц за сеанс) и приводит к росту органического трафика.

#DrMax #Book2026


🤖 ИИ и человеки

Вышло поучительное исследование от финов:

1. ИИ улучшает производительность, но ухудшает самооценку. Люди, использующие ИИ для решения задач на логику, справляются с ними лучше. Однако они теряют способность адекватно оценивать качество своей работы и значительно его переоценивают.

2. Эффект Даннинга-Крюгера исчезает. Обычно люди с низкой компетенцией переоценивают свои способности, а высококомпетентные — недооценивают. При использовании ИИ этот эффект "выравнивается": все участники, независимо от их реальных способностей, одинаково неточно и завышенно оценивают свой результат.

3. Парадокс грамотности в области ИИ. Чем лучше человек технически разбирается в работе ИИ (выше "AI literacy"), тем менее точно он оценивает свою производительность. Его уверенность в себе растет, а точность самооценки падает.

4. Иллюзия компетентности. Использование ИИ создает у людей ложное ощущение глубокого понимания и высокого мастерства, даже если они лишь поверхностно взаимодействовали с системой (например, задавали простые запросы).

Чем это чревато для людей?

1. Слепая вера и чрезмерная зависимость. Человек, уверенный, что с помощью ИИ он работает безупречно, перестает критически проверять результаты. Это опасно в медицине, юриспруденции, инженерии и других областях, где ошибка может иметь критические последствия. Врач может не перепроверить диагноз, предложенный ИИ, а юрист — не заметить ошибку в документе.

2. Снижение критического мышления. Если ИИ всегда дает "правильный" ответ и создает ощущение собственного успеха, у человека пропадает стимул самостоятельно анализировать информацию, сомневаться и искать альтернативные решения. Это может привести к атрофии навыков критического анализа.

3. Принятие неверных решений на высоком уровне. Руководители, использующие ИИ для анализа данных, могут принимать стратегически неверные решения, будучи излишне уверенными в своей правоте и точности данных, предоставленных системой.

4. Профессиональная деградация. Люди могут перестать развивать собственные навыки, полагаясь на ИИ как на "когнитивный костыль". Это опасно, так как в ситуации, когда ИИ недоступен или дает сбой, человек оказывается беспомощным.

Что нужно делать в такой ситуации?

1. Развивать критическое мышление. Принцип "не доверяй, а проверяй" становится ключевым. Всегда относитесь к результатам, полученным с помощью ИИ, как к черновику или гипотезе, а не как к истине в последней инстанции.

2. Использовать ИИ как помощника, а не как замену себе. Делегируйте ИИ рутинные задачи (поиск информации, структурирование), но оставляйте за собой финальный анализ, принятие решений и ответственность.

3. Целенаправленно искать ошибки. Активно пытайтесь найти слабые места в ответах ИИ, ищите противоречия. Это тренирует вашу "мышцу" критического анализа.
Помнить об иллюзии компетентности. Важно осознавать, что легкость получения результата с помощью ИИ не равна вашей собственной возросшей компетентности.

В итоге, исследование показывает, что ИИ — это мощный инструмент, который делает нас "умнее" (повышает производительность), но не "мудрее" (не улучшает нашу способность к самоанализу и рефлексии). Главный вызов — научиться использовать его мощь, не теряя при этом человеческих качеств: критического мышления и ответственности.

#DrMax #LLM


📔 Раздел книги 13.3. Практическая реализация E-E-A-T на сайте

Аудиобзор, основанный на материалах "Практическая Реализация E-E-A-T и SEO-Сигналы", представляет собой руководство по систематическому выстраиванию SEO-архитектуры сайта на основе десятков гранулярных сигналов, которые формируют общую оценку E-E-A-T.

Ключевые выводы обзора:

1. Фундамент — Доверие (Trust): Это основа E-E-A-T, без которой остальные компоненты теряют силу.
Техническое доверие: Наличие валидного SSL-сертификата (HTTPS) — прямой положительный сигнал и фактор ранжирования. Обязательны регулярные проверки на взломанный контент (spamMuppetSignals) и поддержание чистой структуры без 404 ошибок.

Прозрачность: Требуется подробная страница "О нас" с информацией об организации, миссии и квалификации команды, особенно для YMYL-сайтов. Наличие физического адреса и четких политик (конфиденциальности, возврата) сигнализирует о легитимности.

Поведенческие сигналы (NavBoost): Важнейшим сайт-уровневым сигналом является clutterScore, наказывающий за агрессивную рекламу и навязчивые всплывающие окна. Низкая скорость загрузки и плохой UX приводят к badClicks и понижают рейтинг страницы. Система NavBoost анализирует 13 месяцев пользовательских взаимодействий, приоритизируя lastLongestClicks как сильный позитивный сигнал.

Доверие к контенту: Необходимо избегать обмана (scamness) и регулярно проводить аудит исходящих ссылок, чтобы не ссылаться на сомнительные ресурсы (spamrank).


2. Опыт (Experience): Это новейший компонент, требующий доказательств реальной, практической работы с темой.

Использование оригинальных медиафайлов (собственные фото, видео распаковки или процесса), которые влияют на OriginalContentScore и contentEffort.

Написание от первого лица и предоставление количественных доказательств (уникальных, трудновоспроизводимых данных).

Обзоры, демонстрирующие исключительный уровень практического тестирования, вознаграждаются флагом productReviewPUhqPage.


3. Экспертность (Expertise): Глубина теоретических знаний.

Создание тематического авторитета (Topical Authority) путем концентрации на одной нише, что измеряется siteFocusScore и siteRadius.

Создание сущности автора: Каждый автор должен иметь подробную страницу-биографию с регалиями и Schema-разметкой, что позволяет Google накапливать для него authorReputationScore.

4. Авторитетность (Authoritativeness): Признание вашей экспертизы внешними источниками.

Работа над авторитетностью домена (siteAuthority).

Приобретение ссылок с сайтов, близких к "доверенным источникам" (seed sites), что повышает рейтинг PageRank-NearestSeeds.

Использование внутренней перелинковки для демонстрации важности контента (onsiteProminence).

Стремление стать "официальным источником" информации по определенным запросам, что присваивает флаг queriesForWhichOfficial.

Заключение: Создание E-E-A-T-совместимого сайта — это непрерывный процесс, где каждый элемент (от HTTPS до биографии автора) является измеряемым сигналом, влияющим на долгосрочный успех в поиске.

#DrMax #Book2026


Футер (DrMax) 2026.pdf
930.4Кб
📔 Методичка: Футер и его проектирование 2026

Методичка по разработке футера сайта + чек лист

#DrMax #SEO #Book2026


Хроническая Нестабильность Доменов: TrafficLossHistory и Риски PBN

TrafficLossHistory (TLH): Индекс Хронической Нестабильности

TrafficLossHistory — это собирательная метрика, отражающая хроническую нестабильность домена в отношении органического трафика. Этот показатель стал известен благодаря анализу полей, обнародованных в ходе утечки Google API (2024 год), а также косвенных данных из антимонопольного дела DOJ. TLH — это агрегированная оценка, фиксирующая резкие и необратимые падения трафика, вызванные алгоритмическими фильтрами или ручными санкциями. Это, скорее, индекс риска, который система ранжирования использует для присвоения домену некоего «кармического счета».

Ключевые Переменные и "Липкость" Санкций

Понимание TLH опирается на несколько ключевых переменных из API Content Warehouse:

1. lowQualityHistory (История Низкого Качества): Это числовой коэффициент, который накапливается при каждом обнаружении спама или некачественного контента. Сигнал lowQualityHistory является "липким" (sticky). Если домен отмечен агрегированным показателем выше 0.7, он несет этот вес, независимо от недавней очистки. Этот показатель штрафным множителем влияет на начальную оценку любого нового контента и ссылок с этого домена.
2. siteTrafficHistory (История Трафика Сайта): Этот массив данных позволяет алгоритму идентифицировать аномальные паттерны падения. Система ищет резкие, вертикальные обвалы трафика. Наблюдается сильная обратная корреляция (inverse correlation) между внезапным, сильным падением трафика (например, свыше 60% за 90 дней — это показатель decayRate) и последующим усилением PageRank.

Значение для PBN (Сетей Приватных Блогов)

TrafficLossHistory служит индикатором токсичности. Если домен демонстрирует резкий обвал, он, скорее всего, был подвергнут фильтру.

Google умеет распознавать, что домен был "утилизирован" операторами PBN. Если резко упавший домен впоследствии демонстрирует внезапный взлет content_freshness_score и изменение тематики (TopicFocus) на 180 градусов, это запускает триггер. Ссылка, поставленная с такого "восстановленного" домена, будет иметь чрезвычайно низкий LinkValue при расчете. Google фактически обнуляет его ссылочный вес для целевого сайта, сохраняя при этом иллюзию "мощности" домена в сторонних сервисах, не учитывающих эту хроническую болезнь.

Совет от DrMax:

Проблема с покупкой доменов с историей резких потерь трафика в том, что они уже находятся в "красной зоне". Доктор Макс советует лучше взять чистый, молодой домен с нулевым трафиком, чем дорогой "дроп", который уже однажды "сгорел под алгоритмом".

При проверке дропнутого домена для PBN следует искать сайты с плавным, постепенным угасанием трафика (связанным с заброшенностью/neglect), а не с вертикальным падением (связанным с фильтром). Домен, который умирал постепенно в течение трех лет, имеет значительно лучший TrafficLossHistory.

#DrMax


Введение в современное SEO. Часть 1.

Содержание подкаста:

Новые принципы SEO, раскрытые благодаря утечкам, демонстрируют, что Google использует многоступенчатый конвейер, а не единый алгоритм.

1. Конвейер Google: Страница должна пройти систему первичной оценки Mustang, которая проверяет базовую релевантность и внутренние факторы качества.
2. Народное голосование (NavBoost): Самым важным этапом является NavBoost — система переранжирования, основанная на агрегированных данных о кликах за 13 месяцев. Она измеряет удовлетворенность пользователей, где "последние самые длинные клики" (`lastLongestClicks`) являются "золотым стандартом", означающим, что проблема пользователя решена. Неудовлетворенность, выражающаяся в быстром возврате в поиск (badClicks), ведет к понижению.
3. Сущности и Авторитет: Google понимает концепции и сущности (EntityAnnotations), а не просто ключевые слова. Успех зависит от построения тематической карты сайта, где метрики, такие как `siteFocusScore` (сфокусированность на теме), определяют тематический авторитет.
4. Квантификация Качества: Качество контента измеряется алгоритмически через `contentEffort` — оценку усилия, оригинальности и ресурсов, вложенных в страницу. Это техническая основа для демонстрации E-E-A-T (Опыт, Экспертиза, Авторитетность, Доверие).
5. Вывод: Оптимизация под "робота" не работает; необходимо сначала создать технически безупречный контент для прохождения Mustang, а затем обеспечить исключительный пользовательский опыт для завоевания голосов в NavBoost.

#DrMax

Показано 7 последних публикаций.

680

подписчиков
Статистика канала