Um novo estudo assinado por pesquisadores do Google DeepMind, em parceria com a Universidade de Massachusetts Amherst e a Universidade do Texas em Austin, propõe uma mudança e tanto na forma como os motores de busca decidem o que aparece primeiro nos resultados. A ideia é trocar o sistema tradicional de ranqueamento, que funciona em duas etapas, por um único modelo de linguagem (LLM) capaz de gerar diretamente a lista ordenada de páginas mais relevantes.
Como funciona o ranqueamento hoje
Para entender por que essa proposta é considerada ousada, vale relembrar como as buscas costumam funcionar por trás das cortinas. O processo tradicional se apoia em duas peças principais:
- Dual Encoder (DE): transforma consultas e documentos em vetores numéricos e faz uma triagem rápida, selecionando os candidatos mais prováveis. É um método rápido e barato computacionalmente, mas nem tão preciso.
- Cross Encoder (CE): pega essa lista de candidatos selecionados pelo Dual Encoder e faz uma análise mais refinada, reordenando tudo com mais precisão. O problema é que esse processo é caro demais para ser usado em larga escala logo de cara — por isso entra só na segunda etapa.
É justamente esse modelo em duas fases que o novo estudo, batizado de “Autoregressive Ranking: Bridging the Gap Between Dual and Cross Encoders” (ARR), coloca em xeque. Se a proposta pegar, as consequências para SEO e para as estratégias de otimização voltadas à IA (AEO) podem ser bem profundas.
O treinamento por trás do modelo: SToICaL
Para ensinar o LLM a ranquear documentos com competência, os pesquisadores criaram um método de treinamento chamado SToICaL (sigla para Simple Token-Item Calibrated Loss). A lógica é relativamente simples de explicar: documentos que deveriam aparecer mais acima recebem mais peso durante o aprendizado, enquanto os que deveriam ficar mais para trás recebem menos. Além disso, o próprio ranking usado como referência no treino ajuda o modelo a “apostar” mais nas escolhas de palavras (tokens) que levam a resultados mais relevantes.
No fim das contas, o modelo aprende a distinguir o que é relevante do que não é, e a empurrar para baixo aquilo que não interessa tanto ao usuário. Os próprios autores resumem a técnica assim:
“Propomos então o SToICaL (Simple Token-Item Calibrated Loss), uma função de perda generalizada e sensível ao ranking para o ajuste fino de LLMs. Usando reponderação em nível de item e marginalização por árvore de prefixos, distribuímos a massa de probabilidade sobre os tokens de docID válidos com base na relevância real de cada um.”
O que os testes mostraram
Para verificar se a ideia realmente funciona na prática, o time testou o ARR em dois conjuntos de dados — WordNet e ESCI Shopping Queries — comparando-o tanto com a previsão comum de próximo token quanto com o modelo tradicional de Dual Encoder e Cross Encoder. Os resultados foram animadores, mas não perfeitos em todas as frentes:
- O treinamento SToICaL melhorou de forma significativa a capacidade de ranqueamento do ARR além do simples acerto do primeiro resultado.
- Nos testes com WordNet, o método reduziu drasticamente os erros de colocar documentos irrelevantes acima dos relevantes.
- Ainda no WordNet, o ARR teve desempenho parecido com o do Cross Encoder — que é o mais caro e preciso — e superou claramente o Dual Encoder.
Por outro lado, no teste com consultas de compras (shopping search), uma das versões do método piorou justamente na tarefa de acertar o resultado mais relevante em primeiro lugar, mesmo tendo melhorado a qualidade geral da lista. Ou seja, ainda há ponta solta para os pesquisadores investigarem.
Por que isso pode mudar o jogo
Um dos argumentos centrais do estudo é que os Dual Encoders esbarram em um limite estrutural: para representar todas as ordenações possíveis de documentos, o tamanho do vetor usado precisa crescer junto com a quantidade de documentos. Já o ARR, segundo os pesquisadores, não sofreria dessa limitação — teoricamente, poderia ranquear um número arbitrário de páginas sem precisar aumentar essa dimensão.
“Uma análise rigorosa da geometria de embedding necessária para o ranqueamento mostra que, para um Dual Encoder alcançar qualquer ordenação de k documentos, sua dimensão de embedding precisa crescer linearmente com k. Em contraste, provamos que um modelo ARR com dimensão oculta constante é teoricamente suficiente para ranquear um número arbitrário de documentos.”
Vale o alerta: trata-se de um resultado teórico, o que não garante que o comportamento se repita do mesmo jeito em sistemas de busca reais e em produção. Ainda assim, os experimentos práticos reforçaram a tese de que a abordagem melhora métricas de ranqueamento e reduz a chance de conteúdo irrelevante aparecer no topo.
O que fica de lição
Vira e mexe surge por aí quem defende que a busca “já mudou completamente” por causa da IA. Este estudo, porém, mostra que os Dual Encoders e Cross Encoders continuam firmes e fortes na engrenagem de ranqueamento — pelo menos por enquanto.
Isso não significa que nada esteja em movimento: a pesquisa é um indício de que o Google pode estar caminhando, aos poucos, para um dia em que a busca realmente passe por uma transformação profunda em sua arquitetura interna.
Com informações de searchenginejournal.com.
