Google DeepMind 联合马萨诸塞大学阿默斯特分校和德州大学奥斯汀分校发表论文,提出用单个大模型直接生成排序列表的 Autoregressive Ranking(ARR),替代当前搜索后端「双编码器召回 + 交叉编码器精排」的两段式架构。
关键信息
- 生效时间:无。这是一篇研究论文,Google 没有宣布任何上线计划
- 影响谁:靠自然搜索获客的独立站,尤其是商品页依赖长尾词的卖家
- 要不要动:暂时不用动。观察 Google 是否在后续文档或 Search Central 里提到检索架构变化
发生了什么
论文题为《Autoregressive Ranking: Bridging the Gap Between Dual and Cross Encoders》。现行架构里,双编码器把查询和文档转成向量做快速召回,速度快但排序精度有限;交叉编码器排得更准,但算力开销大到只能用在第二阶段。研究者提出让一个 LLM 直接产出排好序的文档列表,并配套设计了训练方法 SToICaL(Simple Token-Item Calibrated Loss),对高排位文档加权、把概率质量按真实相关性分配到候选文档的 token 上。测试用了 WordNet 和 ESCI Shopping Queries 两个数据集:在 WordNet 对比中,ARR 表现接近交叉编码器、明显优于双编码器;但在购物搜索测试里,其中一个版本把最相关结果排到第一位的能力反而变差,尽管整体排序有改善。论文还给出一个理论结果:双编码器要表达 k 个文档的任意排序,嵌入维度必须随 k 线性增长,而 ARR 用恒定的隐藏维度理论上可排任意数量文档。
对独立站卖家意味着什么
今天什么都不用改。值得记住的是方向:如果这类架构真的落地,「召回」和「精排」之间那条界线会消失,也就没有「先靠关键词挤进候选池、再靠页面质量往上爬」这种分两步优化的空间了——一个模型直接读你的内容并决定位置。对做商品页的人来说,这会进一步削弱纯堆关键词的作用,而抬高「这一页是否真的把这个需求讲清楚了」的权重。另一个信号在测试细节里:购物搜索场景下,模型整体排序变好但把最相关那条放第一的能力变差,说明这类系统对「精确匹配」的处理还不稳。如果你的流量高度依赖某几个精确长尾词的第一名,这类变化的风险敞口比靠一大批中长尾词分散进来的站要大。现在能做的只有观察:留意 Search Central 后续文档里有没有关于检索或排序架构的措辞变化,同时把内容做扎实——不管前端换成什么模型,能被读懂的完整内容都是通用解。