Только что завершилось обновление ядра Google за июнь 2025 года. Примечательно, что, хотя некоторые и называют его крупным, оно не ощущается разрушительным, что указывает на то, что изменения, возможно, были более тонкими, чем кардинальные. Вот несколько подсказок, которые могут объяснить, что произошло с этим обновлением.
Два прорыва в области рейтинга поиска
Хотя многие говорят, что июньское обновление 2025 года связано с MUVERA , это не совсем так. За последние несколько недель было два примечательных анонса бэкенда: MUVERA и модель Graph Foundation от Google .
Google МУВЕРА
MUVERA — это алгоритм поиска с использованием многовекторных кодировок с фиксированными размерами (FDE), который повышает точность и эффективность поиска веб-страниц. Важной особенностью для SEO является возможность извлекать меньше страниц-кандидатов для ранжирования, оставляя менее релевантные страницы позади и продвигая только наиболее релевантные.
Это позволяет Google использовать всю точность многовекторного поиска без каких-либо недостатков традиционных многовекторных систем и с большей точностью.
В объявлении Google MUVERA объясняются основные улучшения:
«Повышенная полнота: MUVERA превосходит одновекторную эвристику, распространенный подход, используемый при многовекторном поиске (который также использует PLAID), достигая лучшей полноты, при этом извлекая значительно меньше документов-кандидатов... Например, FDE извлекает в 5–20 раз меньше кандидатов, чтобы достичь фиксированной полноты.
Более того, мы обнаружили, что FDE MUVERA можно эффективно сжимать с помощью квантования продуктов, что позволяет сократить объем занимаемой памяти в 32 раза при минимальном влиянии на качество поиска.
Эти результаты подчеркивают потенциал MUVERA для значительного ускорения многовекторного поиска, делая его более практичным для реальных приложений.
…Сокращая многовекторный поиск до одновекторного MIPS, MUVERA использует существующие оптимизированные методы поиска и достигает передовой производительности при значительном повышении эффективности».
Модель Graph Foundation от Google
Графовая модель (GFM) — это тип модели ИИ, предназначенный для обобщения данных на основе различных графовых структур и наборов данных. Она разработана с учётом адаптации, аналогичной тому, как большие языковые модели могут обобщать данные на основе различных предметных областей, которым они изначально не были обучены.
GFM от Google классифицирует узлы и ребра, которые предположительно могут включать документы, ссылки, пользователей, обнаружение спама, рекомендации продуктов и любые другие виды классификации.
Это нечто совершенно новое, опубликованное 10 июля, но уже протестированное на рекламе для обнаружения спама. Это, по сути, прорыв в области машинного обучения на графах и разработки моделей ИИ, способных обобщать данные для различных структур графов и задач.
Он преодолевает ограничения графовых нейронных сетей (GNN), которые привязаны к графу, на котором они были обучены. Модели Graph Foundation, как и LLM, не ограничены графом, на котором они были обучены, что делает их универсальными для работы с новыми или ранее не встречавшимися графовыми структурами и областями.
В заявлении Google о GFM говорится, что технология улучшает обучение с нулевым и малым числом попыток, то есть она может делать точные прогнозы на различных типах графиков без дополнительного обучения, специфичного для конкретной задачи (нулевой выстрел), даже если доступно лишь небольшое количество помеченных примеров (малое число попыток).
В сообщении GFM от Google сообщается о следующих результатах:
«Работа в масштабе Google подразумевает обработку графов, состоящих из миллиардов узлов и рёбер, где наша среда JAX и масштабируемая инфраструктура TPU особенно эффективны. Такие объёмы данных подходят для обучения универсальных моделей, поэтому мы протестировали нашу GFM на нескольких внутренних задачах классификации, таких как обнаружение спама в рекламе, которое включает десятки больших и связанных реляционных таблиц. Типичные табличные базовые значения, хотя и масштабируемые, не учитывают связи между строками разных таблиц и, следовательно, упускают контекст, который может быть полезен для точных прогнозов. Наши эксперименты наглядно демонстрируют этот пробел.
Мы наблюдаем значительный прирост производительности по сравнению с наилучшими настроенными базовыми значениями для одной таблицы. В зависимости от задачи, выполняемой в дальнейшем, GFM обеспечивает прирост средней точности в 3–40 раз, что указывает на то, что структура графа в реляционных таблицах даёт важный сигнал, который можно использовать в моделях машинного обучения».
Что изменилось?
Вполне разумно предположить, что интеграция MUVERA и GFM может позволить системам ранжирования Google точнее ранжировать релевантный контент за счет улучшения поиска (MUVERA) и сопоставления связей между ссылками или контентом для более точного выявления закономерностей, связанных с надежностью и авторитетностью (GFM).
Интеграция MUVERA и GFM позволит системам ранжирования Google более точно выводить на экран релевантный контент, который будет интересен пользователям.
В официальном заявлении Google говорилось следующее:
«Это регулярное обновление, призванное лучше отображать релевантный и удовлетворяющий запросы пользователей всех типов сайтов».
Это конкретное обновление, похоже, не сопровождалось массовыми сообщениями о масштабных изменениях. Оно может соответствовать тому, о чём говорил Дэнни Салливан из Google на конференции Search Central Live в Нью-Йорке, где он заявил, что Google внесет изменения в алгоритм, чтобы предлагать более разнообразный высококачественный контент.
Специалист по поисковому маркетингу Гленн Гейб написал в Твиттере, что, по его мнению, некоторые сайты, пострадавшие от «Обновления полезного контента», также известного как HCU, резко поднялись в рейтинге, в то время как другие сайты ухудшились.
Хотя он и сказал, что это очень важное обновление, реакция на его твиты была сдержанной, что нетипично для случаев масштабных сбоев. Думаю, можно смело сказать, что, хотя данные Гленна Гейба и показывают, что это было важное обновление, оно, возможно, не было разрушительным.
Так что же изменилось? Я полагаю, что это было широкомасштабное изменение, которое улучшило способность Google лучше выдавать релевантный контент, чему способствовали более эффективный поиск и улучшенная способность интерпретировать модели надёжности и авторитетности, а также более точно определять некачественные сайты.