DeepMind opublikował w styczniu 2026 r. pracę, która domyka pięcioletni kierunek badań Google nad rankingiem generowanym przez model, bez osobnego indeksu. Autor tekstu podkreśla, że teoria dowodzi, iż pojedynczy model językowy może porządkować dowolną liczbę dokumentów, a lista wyników staje się czymś, co model oblicza po drodze do odpowiedzi. W eksperymentach zfine-tunowano Mistral-7B, użyto dwóch małych zbiorów danych, a ranking odbywał się in-context — kandydackie identyfikatory dokumentów trafiały do promptu, zamiast być pobierane z klasycznego indeksu. W WordNet, obejmującym ok. 82 tys. pojęć rzeczownikowych, oraz w teście zakupowym na 310 przykładach nowe podejście poprawiało kolejność wyników 2–5, ale nie zawsze pozycję nr 1. Dla SEO i publisherów kluczowe jest to, że „zaindeksowane” i „znane rankerowi” mogą przestać znaczyć to samo, a widoczność poniżej beam search staje się niewidoczna dla pomiaru. Autor zwraca też uwagę, że w takim modelu duplikaty i bliskie duplikaty konkurują o ten sam adres, a świeżość treści staje się problemem treningowym, nie tylko crawl/index problemem.
Źródło: Search Engine Journal — oryginalny artykuł ↗
Chcesz wiedzieć, jak ta zmiana wpłynie na Twoją stronę?
Nasz zespół analizuje każdą aktualizację Google w 48h i przekłada ją na konkretne działania dla klientów.
Bezpłatna analiza wpływu