Исследователи Google Research представили Retrieve-for-Train — фреймворк, который ускоряет сложный AI-поиск. Вместо того чтобы тратить вычислительные ресурсы на «размышления» при каждом запросе, метод переносит обучение на этап подготовки. Это позволяет генерировать целостный набор результатов практически мгновенно.
Современные поисковые системы всё чаще должны возвращать не один лучший результат, а набор взаимодополняющих вариантов. Например, при запросе «снаряжение для кемпинга» пользователь ожидает увидеть палатку, спальный мешок, портативную плиту и фонарик, а не десять вариаций четырёхместных палаток. Для этого системы используют технику «развёртывания запроса» (query fan-out), разбивая широкий запрос на несколько связанных подзапросов.
Проблема в том, что обучение языковой модели такому развёртыванию «на лету» требует огромных вычислительных ресурсов. Стандартные модели склонны к «парафрастическому коллапсу» — вместо поиска разных аспектов темы они генерируют избыточные, почти синонимичные запросы. Кроме того, авторегрессивная генерация токенов рассуждений создаёт задержки, неприемлемые для поиска, который должен работать за доли секунды.
Retrieve-for-Train решает обе проблемы. Сначала с помощью обучения с подкреплением (RL) модель учится генерировать подзапросы, которые ведут к наилучшему набору результатов. Затем эти знания «компилируются» в лёгкую диффузионную модель (всего 53,9 миллиона параметров), которая за один проход преобразует запрос в полный набор целевых векторов. Никаких промежуточных текстовых рассуждений — только прямой и быстрый результат.
Работа была представлена на конференции ICML 2026. Исследователи отмечают, что новый подход особенно актуален для рекомендательных систем, поиска товаров и любых сценариев, где важна скорость и разнообразие результатов. Для обычного пользователя это означает более быстрый и точный поиск, который лучше понимает контекст и потребности.
Хотя технология пока находится на стадии исследования, её потенциал для ускорения работы AI-поиска очевиден. Внедрение подобных методов может сделать сложные запросы — например, подбор полного комплекта снаряжения для путешествия или списка ингредиентов для рецепта — такими же быстрыми, как и простой поиск по одному слову.
