Google DeepMind pokazuje Autoregressive Ranking. Jeden model LLM ma zastąpić dwustopniowy ranking wyszukiwarki

Badacze Google DeepMind opisali model rankingowy, który ma zastąpić dwustopniową architekturę wyszukiwarki jednym dużym modelem językowym. Autoregressive Ranking (ARR) nie liczy podobieństwa wektorów i nie ocenia kandydatów parami, tylko generuje uporządkowaną listę identyfikatorów dokumentów token po tokenie, jak zwykły tekst. Praca opublikowana na arXiv od tygodnia jest szeroko komentowana w branży po analizie serwisu Search Engine Journal z 10 września, a dla SEO oznacza jedno: granica między rankingiem a odpowiedzią AI zaczyna znikać.

Kontekst: jak dziś działa ranking i dlaczego to za mało

Współczesne systemy wyszukiwania, w tym Google, opierają się na podziale pracy między dwa typy modeli. Pierwszy, tzw. Dual Encoder (DE), zamienia zapytanie i każdy dokument w indeksie na wektor liczbowy. Wyszukiwanie sprowadza się wtedy do znalezienia wektorów najbliższych zapytaniu, co jest tanie obliczeniowo i działa na skalę miliardów stron. Drugi, Cross Encoder (CE), dostaje już tylko wąską listę kandydatów i ocenia każdą parę zapytanie-dokument osobno, z pełną uwagą na treść. Jest dokładniejszy, ale zbyt drogi, żeby przepuścić przez niego cały indeks.

Ten układ, retrieval plus reranking, od lat stanowi standard i sprawdza się w praktyce. Ma jednak ograniczenie, które autorzy pracy udowadniają formalnie. Dual Encoder, żeby móc odtworzyć dowolne uporządkowanie k dokumentów, potrzebuje wektorów o wymiarze rosnącym liniowo wraz z k. Innymi słowy: im większy korpus i im bardziej zniuansowane rankingi, tym większe embeddingi trzeba przechowywać i porównywać. Cross Encoder tego problemu nie ma, ale nie skaluje się na etap wstępnego wyszukiwania.

Google DeepMind od dwóch lat testuje alternatywę, w której model językowy przejmuje część tej roboty. Jesienią 2025 roku laboratorium pokazało BlockRank, metodę rankingu w kontekście (in-context ranking), w której LLM dostaje do 500 dokumentów naraz i porządkuje je w jednym przebiegu. Autoregressive Ranking idzie krok dalej: model nie czyta dokumentów w kontekście, tylko pamięta indeks i generuje z niego identyfikatory.

Kluczowe fakty o pracy

Publikacja nosi tytuł „Autoregressive Ranking: Bridging the Gap Between Dual and Cross Encoders”. Podpisało ją ośmioro badaczy: Benjamin Rozonoyer, Chong You, Michael Boratko, Himanshu Jain, Nilesh Gupta, Srinadh Bhojanapalli, Andrew McCallum i Felix Yu, afiliowanych przy Google DeepMind, University of Massachusetts Amherst oraz University of Texas w Austin. Pierwsza wersja trafiła na arXiv 9 stycznia 2026 roku, czwarta i aktualna rewizja pochodzi z 11 lutego. W tym tygodniu, jak podaje Search Engine Journal, praca została podchwycona przez branżowe media jako sygnał kierunku, w którym Google projektuje wyszukiwarkę przyszłości.

Co dokładnie robi ARR

W generatywnym wyszukiwaniu (generative retrieval) model językowy zamiast zwracać wektor, produkuje tzw. docID, czyli identyfikator dokumentu zapisany jako sekwencja tokenów. W eksperymencie na danych sklepowych ESCI identyfikatory były rzadkimi wektorami o wymiarze 100 z trzema niezerowymi wartościami, zapisanymi jako lista indeksów w rodzaju „25,36,39”. Model uczy się, że po danym zapytaniu powinien wygenerować taki właśnie ciąg.

Problem dotychczasowych podejść polegał na tym, że trenowano je jak zwykłe przewidywanie następnego tokena (next token prediction): jedna poprawna odpowiedź, reszta zła. Taki trening dobrze wskazuje pierwszy wynik, ale nie uczy modelu porządkować kolejnych. Stąd SToICaL, funkcja straty świadoma rangi. Działa na dwóch poziomach. Po pierwsze, waży dokumenty: bardziej trafne dostają większą wagę w treningu, mniej trafne mniejszą (autorzy testowali między innymi wagę 1/r², gdzie r to pozycja w rankingu). Po drugie, marginalizuje po drzewie prefiksów (prefix-tree), czyli rozkłada masę prawdopodobieństwa na wszystkie tokeny, które prowadzą do poprawnych identyfikatorów, proporcjonalnie do ich trafności. W oryginale: „we distribute probability mass over valid docID tokens based on their ground-truth relevance”.

Liczby z eksperymentów

Najbardziej wymowna jest tabela z WordNet. Model trenowany standardowo generował nieprawidłowe identyfikatory w 27,66 procent przypadków i osiągał Recall@5 na poziomie 63,42. Ten sam model z reważeniem 1/r² zszedł z błędnymi identyfikatorami do zera, a Recall@5 podniósł do 96,58, przy nDCG 99,83. Koszt: Recall@1 spadł z 99,96 do 97,74. W porównaniu z klasycznymi architekturami na tym samym zbiorze Dual Encoder osiągał Recall@1 około 45 procent, Cross Encoder około 92 procent, a ARR 97,74 procent. Autorzy piszą wprost, że ARR „drastycznie redukuje” błędy polegające na umieszczaniu nietrafnych dokumentów ponad trafnymi.

Na zbiorze sklepowym ESCI obraz jest mniej jednoznaczny. Wariant z marginalizacją po drzewie prefiksów poprawił nDCG z 95,23 do 97,21 i Recall@50 z 62,99 do 69,03, ale Recall@1 spadł z 95,16 do 70,32. Innymi słowy: model lepiej porządkował całą listę, ale gorzej trafiał w wynik numer jeden. Sami badacze wskazują też na niedopasowanie między treningiem z tzw. teacher forcing a inferencją w kolejnych krokach generowania, którego rozwiązanie zostawiają na przyszłość.

Dlaczego stały wymiar to duża sprawa

Najczęściej cytowane zdanie z pracy brzmi: model ARR „o stałym wymiarze ukrytym jest teoretycznie wystarczający, by uporządkować dowolną liczbę dokumentów”. Dla inżyniera wyszukiwarki to zmiana skali problemu. W Dual Encoderze każdy dokument jest punktem w przestrzeni, a zapytanie musi „widzieć” je wszystkie w odpowiedniej odległości; przy k dokumentach do rozróżnienia potrzeba wymiaru rzędu ln(k!)/(2 ln k), czyli w praktyce coraz większych wektorów. Model autoregresyjny omija ten limit, bo nie porównuje punktów, tylko rozgałęzia się po drzewie tokenów. Każde rozgałęzienie to osobna decyzja z pełną mocą warstw transformera, więc wyrazistość rankingu rośnie wraz z długością sekwencji, a nie z rozmiarem embeddingu. Wymagane jest jedynie, by macierz wyjściowa modelu miała rangę równą liczbie tokenów używanych w identyfikatorach dokumentów.

Praktyczne przełożenie: indeks nie musi rosnąć wraz z liczbą subtelnych rozróżnień, których wymaga ranking. Zamiast przechowywać dla każdej strony coraz dłuższy wektor, wystarczy dotrenować model tak, by generował właściwą ścieżkę identyfikatorów. To tłumaczy, dlaczego Google inwestuje w ten kierunek mimo wyższego kosztu inferencji.

Co to znaczy dla SEO i AIO

Najpierw zastrzeżenie, które powtarza także Search Engine Journal: to praca badawcza, nie komunikat o zmianie w produkcyjnym rankingu Google. Dual Encodery i Cross Encodery nadal robią swoją robotę i będą ją robić jeszcze długo. Ale kierunek jest wyraźny i pokrywa się z tym, co widać już w interfejsie: AI Overviews i AI Mode to warstwa prezentacji, a ARR to ta sama filozofia przeniesiona do silnika. Jeśli jeden model generuje odpowiedź i jednocześnie generuje listę źródeł, to pojęcia „pozycja w wynikach” i „cytowanie w odpowiedzi” przestają być dwoma różnymi grami.

Trzy konsekwencje praktyczne wynikają bezpośrednio z mechaniki opisanej w pracy.

• Ranking staje się listą, nie punktacją. W klasycznym systemie każda strona dostaje wynik i sortowanie jest wtórne. W ARR model uczy się kolejności jako takiej. Strona, która w klasycznym scoringu miałaby 0,71 zamiast 0,73, może w modelu autoregresyjnym w ogóle nie zostać wygenerowana w pierwszych pięciu tokenach. Różnice między pozycjami przestają być liniowe.
• Tożsamość dokumentu ma znaczenie. Model musi „pamiętać” identyfikator strony i skojarzyć go z zapytaniem. Dokumenty rozmyte tematycznie, z niejasną encją, mieszające kilka intencji, trudniej zakodować jako jeden spójny docID. To argument za tym samym, co od dawna postuluje semantic SEO oparte na encjach: jedna strona, jedna wyraźnie zdefiniowana rzecz.
• Trafność poza top 1 zaczyna być mierzona. Cała praca krąży wokół metryk poza pierwszym wynikiem: Recall@5, Recall@50, nDCG. Jeżeli Google trenuje ranking pod dobrą kolejność całej listy, strony na pozycjach 3-10 przestają być losową resztą, a stają się świadomie uporządkowanym zestawem. Dla stron, które dziś wiszą w drugiej dziesiątce, to potencjalnie więcej sygnału do wykorzystania, ale też mniej miejsca na przypadkowy awans.

Warto też zauważyć, czego praca nie zmienia. Nie ma w niej nic o linkach, autorytecie domeny ani sygnałach behawioralnych. ARR jest modelem trafności tekstowej i bardzo prawdopodobne, że w produkcyjnej wyszukiwarce byłby tylko jednym z wielu elementów. Pytanie, na które badacze nie odpowiadają, brzmi: skąd model bierze prawdę o rankingu, na której się uczy. W WordNet to hierarchia hiperonimów, w ESCI ludzkie oceny trafności produktów. W Google byłyby to zapewne historyczne kliknięcia i oceny raterów, czyli te same sygnały, które dziś zasilają systemy uczące się.

Reakcje branży

Search Engine Journal, który jako pierwszy szerzej opisał publikację, ocenia ją ostrożnie: dwustopniowa architektura nadal działa, ale badanie „wskazuje na dzień, w którym wyszukiwanie naprawdę zmieni się w głęboki sposób”. W komentarzach specjalistów przewija się porównanie do BlockRanku, o którym w październiku 2025 roku pisał MediaPost, zaznaczając, że to metodologia badawcza, a nie oficjalny sygnał rankingowy Google. To samo zastrzeżenie obowiązuje tutaj.

Część praktyków AIO odczytuje pracę jako potwierdzenie tezy, że optymalizacja pod odpowiedzi AI i pod klasyczny ranking zbiegają się do jednego zestawu praktyk. Jeśli ten sam model ma generować identyfikatory źródeł i tekst odpowiedzi, wybór źródeł podlega tym samym regułom, które opisujemy w tekście o tym, dlaczego AI nie cytuje danej strony. Sceptycy zwracają za to uwagę na skalę: eksperymenty prowadzono na modelu 7B i korpusach liczonych w dziesiątkach tysięcy dokumentów, podczas gdy indeks Google to setki miliardów adresów. Przejście od 82 tysięcy synsetów do sieci to nie kwestia dokręcenia parametrów, tylko innej klasy problemu inżynieryjnego, zwłaszcza że model musiałby być dotrenowywany przy każdej aktualizacji indeksu.

Osobny wątek dotyczy kosztów. Generowanie identyfikatora token po tokenie dla każdego zapytania jest droższe niż porównanie wektorów w indeksie ANN. Google ma jednak historię wdrażania drogich modeli tam, gdzie zysk jakościowy jest wyraźny: BERT w 2019 roku, MUM w 2021, potem modele Gemini w AI Overviews. Rachunek ekonomiczny zależy więc od tego, czy ARR da zauważalnie lepsze listy, a nie od tego, czy jest tańszy.

Z polskiej perspektywy znaczenie ma jeszcze jedno: eksperymenty prowadzono wyłącznie na danych anglojęzycznych. Modele generatywne historycznie wolniej dochodziły do jakości w językach z bogatą fleksją, a identyfikatory dokumentów muszą być odporne na to, że to samo zapytanie przyjmuje kilkanaście form gramatycznych. Jeśli ARR kiedykolwiek trafi do produkcji, rynki takie jak Polska prawdopodobnie zobaczą go z opóźnieniem, tak jak było z AI Overviews i AI Mode.

Co dalej

Krótkoterminowo nic. Praca nie ma statusu wdrożenia, a Google Search Status Dashboard nie sygnalizuje żadnej wrześniowej aktualizacji rdzenia; ostatnia potwierdzona zmiana to sierpniowy spam update. Średnioterminowo warto obserwować trzy rzeczy. Po pierwsze, kolejne publikacje DeepMind na temat generatywnego wyszukiwania, bo BlockRank i ARR układają się w wyraźną serię. Po drugie, testy interfejsu, w których lista wyników pojawia się jako element odpowiedzi AI Mode, a nie obok niej. Po trzecie, komunikaty Google o „nowych systemach rankingowych” w dokumentacji, gdzie w przeszłości firma ujawniała takie zmiany po fakcie.

Dla wydawców i agencji rekomendacja jest nudna, ale spójna z wszystkim, co wynika z pracy: jedna strona na jedną wyraźnie nazwaną encję lub intencję, treść, którą model może jednoznacznie skojarzyć z zapytaniem, i mierzenie widoczności całej listy, a nie tylko pozycji pierwszej. Nawet jeśli ARR nigdy nie trafi do produkcji w tej formie, kierunek, w którym Google trenuje trafność, jest już jasny.

FAQ