Ускорение сложных поисков ИИ с помощью " Возвращение в поезд &qt;

15 сентября 2026 года Пэнчэн Цзян, студент-исследователь и Джудит Юэ Ли, старший научный сотрудник Google Research, вместо того чтобы полагаться на дорогостоящие рассуждения в своё время, программа Retrieve for Train использует дополнительное обучение для обучения модели легкой диффузии. Это обходит тяжелый авторегрессивный «мозговый бюджет», чтобы мгновенно генерировать согласованный, экспертный лист результатов поиска АИ. Современные приложения для поиска или вынесения рекомендаций все чаще, как ожидается, позволят получить согласованный набор результатов, а не наилучшее сочетание. Например, когда пользователь ищет «камперовое снаряжение», он не хочет 10 небольших вариаций палаток с четырьмя лицами. Они хотят иметь связный, дополнительный лист, который включает в себя необходимые походные принадлежности, такие как палатка, спальный мешок, переносная плита и фару. Для этого в системах используется метод запроса, который разбивает одну широкую частоту на несколько смежных подквей для охвата потенциальных интересов пользователей. Однако обучение LLM для выполнения функции считываемого с базы данных разложения запросов динамическо истощает огромный бюджет мышления. По своей конструкции, ПЗМ с нулевым откосом являются общими авторегрессивными текстовыми предсказаниями; они не оптимизированы для обработки конкретного геометрического коллектора целевого состава. Следовательно, им необходимо увеличить продолжительность испытательного периода для получения набора результатов,…