15 сентября 2026 г.
Google Research описала Retrieve-for-Train для ускорения сложного поиска
Google Research представила Retrieve-for-Train, подход для генерации набора связанных поисковых запросов без больших затрат на рассуждение во время ответа. Метод проверили на задачах поиска изображений и музыкальных плейлистов.
Google Research 15 сентября описала Retrieve-for-Train, метод ускорения сложного поиска и рекомендаций. Подход переносит основную работу по подбору связанных запросов с момента ответа на этап предварительного обучения. Благодаря этому система может сформировать набор поисковых направлений за один проход, не тратя большой объём вычислений на длительное рассуждение при каждом запросе.
Исследование подготовили Pengcheng Jiang и Judith Yue Li. Авторы представили его в рамках работы для ICML 2026. Метод рассчитан на задачи, где пользователю нужен не один наиболее релевантный результат, а связный набор материалов с разнообразием, полнотой и взаимным дополнением.
Как устроен Retrieve-for-Train
Обычная схема fan-out поиска разбивает широкий запрос на несколько уточняющих подзапросов. Например, запрос о снаряжении для кемпинга может привести к отдельным направлениям для палатки, спальника, горелки и фонаря. По мнению авторов, универсальной языковой модели приходится заново решать эту задачу во время каждого обращения.
Retrieve-for-Train использует другой порядок действий:
| Этап | Действие |
|---|---|
| 1 | Обучение модели генерации подзапросов с помощью обучения с подкреплением |
| 2 | Создание обучающих примеров на основе найденных удачных вариантов |
| 3 | Обучение диффузионного поискового модуля для генерации набора представлений |
Для оценки авторы применили составную функцию вознаграждения. Она учитывала соответствие исходному запросу, разнообразие вариантов и свойства всего набора результатов. В обучении использовали открытые модели Gemma3-4B и Qwen3-4B, которые должны были создавать по 10 подзапросов для одного основного запроса.
Где метод проверили
Эксперименты охватили два типа поиска. В одном случае система работала с крупным набором пользовательских образов одежды и мультимодальным поиском. Во втором использовался закрытый набор экспертных музыкальных плейлистов. Retrieve-for-Train сравнивали с одиночным поиском, обычным расширением запроса и более затратным подбором вариантов.
Google Research сообщает, что метод превзошёл эти подходы в обеих задачах. Результат относится к экспериментальным системам и не означает появление отдельного пользовательского сервиса или автоматического улучшения академического поиска.
Что проверить студенту
Работа полезна как пример того, как ИИ может формировать стратегию поиска литературы и источников. Однако Retrieve-for-Train не заменяет проверку публикаций вручную. При подготовке курсовой или исследования следует отдельно оценивать авторство, дату, методику и соответствие каждого найденного материала теме. Эксперименты Google Research проводились на специализированных наборах данных, поэтому переносить их результат на научные базы и обычные поисковики без дополнительных испытаний нельзя.