Google opisało 15 września nowy framework Retrieve-for-Train-Diffusion (R4T-Diffusion), który ma szybciej generować wysokiej jakości query fan-outs do wyszukiwania na dużą skalę. System łączy reinforcement learning, generowanie danych syntetycznych i małą sieć generatywną o 53,9 mln parametrów. Według firmy model „smashed the latency bottleneck” i daje 12–20x przyspieszenie względem podejść autoregresyjnych. Przy dużych batchach latencja ma rosnąć liniowo do niemal 50 sekund, podczas gdy R4T ma działać od sub-sekund do kilku sekund. Google podkreśla, że framework ma zastosowanie nie tylko w search, ale też w systemach rekomendacyjnych, takich jak Google Discover czy YouTube, oraz w creative search i exploratory information access. W praktyce oznacza to większą skalowalność i niższy koszt obliczeniowy dla systemów AI Search, ale też potrzebę ostrożności w kontekstach wrażliwych — autorzy pracy piszą o audytach biasu, inclusive design i mechanizmach nadzoru. Nie jest jednak jasne, czy Google już wdrożyło R4T-Diffusion produkcyjnie, choć publikacja bloga po sześciu miesiącach od pracy badawczej sugeruje, że system mógł trafić do realnego użycia.
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