Google анонсировал фреймворк R4T-Diffusion (Retrieve-for-Train-Diffusion) — новый подход к генерации поисковых подзапросов в рамках механизма query fan-out. Система работает в 12–20 раз быстрее предыдущих методов и при этом требует значительно меньше вычислительных ресурсов.
Query fan-out — ключевой компонент ИИ-поиска Google: вместо обработки пользовательского запроса как единой задачи система автоматически формирует набор связанных подзапросов, собирает информацию по каждому из них и объединяет результаты в итоговый ответ. Качество и скорость этого процесса напрямую влияют на то, какие источники попадают в ИИ-ответы.
Как устроена архитектура R4T-Diffusion
Фреймворк построен на трёх этапах: обучение с подкреплением, синтетическая генерация данных и компактная диффузионная модель на 53,9 млн параметров. Сначала более крупная модель обучается создавать качественные варианты подзапросов, затем её поведение передаётся меньшей модели через дистилляцию — подход, при котором меньшая сеть обучается воспроизводить результаты большой модели при существенно меньших затратах на инференс.
При генерации подзапросов модель одновременно оптимизирует три параметра: релевантность исходному запросу (Alignment), разнообразие подзапросов через метрику Vendi Score (Diversity) и соответствие реально извлекаемым результатам из базы данных (Groundedness). Это позволяет избегать дублирующих синонимов и семантического дрейфа от исходной темы.
Производительность и масштабируемость
По заявлению Google, задержка авторегрессионных методов при больших объёмах запросов может достигать почти 50 секунд. R4T-Diffusion укладывается в диапазон от долей секунды до нескольких секунд, поскольку генерирует все подзапросы одновременно в непрерывном пространстве эмбеддингов, а не последовательно.
Исследователи характеризуют результат как «production-ready» — то есть готовый к промышленному применению при поисковых нагрузках реального масштаба. Помимо поиска, архитектуру можно применять в рекомендательных системах (таких как Google Discover или YouTube), а также для задач планирования и генерации контента.
Вопрос о развёртывании и предостережения
Исследовательская статья была опубликована в марте, а блог-пост Google появился в середине сентября — спустя полгода. Такой разрыв может свидетельствовать о том, что за это время компания тестировала систему перед реальным запуском. Официального подтверждения развёртывания пока нет.
Сами исследователи указывают на риски при применении в чувствительных контекстах: модель способна усиливать предвзятость обучающих данных. Они рекомендуют проводить аудиты перед внедрением в подобных областях и рассматривают R4T как инструмент контролируемого поиска, а не замену человеческому контролю.
Практический контекст для SEO-специалистов
Развитие query fan-out увеличивает разрыв между тем, что вводит пользователь, и теми запросами, по которым Google фактически отбирает источники для ИИ-ответа. Чем качественнее и разнообразнее подзапросы — тем шире круг потенциально задействованных источников. Для SEO это означает, что видимость в ИИ-поиске всё меньше определяется точным совпадением с поисковой фразой пользователя и всё больше — глубиной тематического охвата контента.
Источник:
Search Engine Journal — https://www.searchenginejournal.com/google-announces-new-query-fan-out-framework-r4t-diffusion/590700/
