A Google 2025. júniusi alapvető frissítése éppen befejeződött. Figyelemre méltó az, hogy bár egyesek azt mondják, hogy ez nagy frissítés volt, nem érezte magát zavarónak, jelezve, hogy a változások finomabbak voltak, mint a játékváltás. Íme néhány nyom, amelyek megmagyarázhatják, mi történt ezzel a frissítéssel.
Két keresési rangsorhoz kapcsolódó áttörés
Bár sokan azt mondják, hogy a 2025. júniusi frissítés a MUVERA -hoz kapcsolódott, ez nem igazán az egész történet. Két figyelemre méltó háttérkép -bejelentés volt az elmúlt hetekben, a Muvera és a Google Graph Foundation modellje.
Google Muvera
A Muvera egy multi-vektor rögzített dimenziós kódolás (FDES) visszakeresési algoritmus révén, amely pontosabbá és magasabb hatékonysággal teszi a weboldalak lekérdezését. A SEO figyelemre méltó része az, hogy kevesebb jelölt oldalt képes beolvasni a rangsorolásra, a kevésbé releváns oldalakat hátrahagyva, és csak a pontosabban releváns oldalak népszerűsítését.
Ez lehetővé teszi a Google számára, hogy a multi-vektor visszakeresésének minden pontosságát a hagyományos többvektoros rendszerek hátránya nélkül és nagyobb pontossággal.
A Google Muvera bejelentése elmagyarázza a legfontosabb fejlesztéseket:
„Javított visszahívás: A MUVERA felülmúlja az egyvektor heurisztikát, a többvektor-visszakeresésben alkalmazott általános megközelítést (amelyet a Plaid is alkalmaz), és jobb visszahívást ér el, miközben szignifikánsan kevesebb jelölt dokumentumot szerez be … például az FDE 5–20-os kevesebb jelöltje a rögzített visszahívás elérése érdekében.
Ezenkívül azt találtuk, hogy a Muvera FDE -k hatékonyan tömöríthetők a termék kvantálásával, csökkentve a memória lábnyomát 32x -rel, minimális hatással a visszakeresési minőségre.
Ezek az eredmények kiemelik a Muvera potenciálját, hogy jelentősen felgyorsítsák a multi-vektor visszakeresést, ezáltal praktikusabbá téve a valós alkalmazások számára.
… Azáltal, hogy a multi-vektor-keresést az egyvektor MIP-ként csökkenti, a MUVERA kihasználja a meglévő optimalizált keresési technikákat, és jelentősen javult hatékonysággal éri el a legmodernebb teljesítményt. ”
A Google Graph Foundation modellje
A Graph Foundation Model (GFM) egy olyan típusú AI modell, amelyet úgy terveztek, hogy általánosítsa a különböző grafikonstruktúrákat és adatkészleteket. Úgy tervezték, hogy hasonló módon adaptálható legyen, hogy a nagy nyelvi modellek milyen általánosíthatók a különböző területeken, amelyekben nem volt képzésben.
A Google GFM osztályozza a csomópontokat és a széleket, amelyek valószínűleg tartalmazhatnak dokumentumokat, linkeket, felhasználókat, spam -észlelést, termékjavaslatokat és bármilyen más osztályozást.
Ez valami nagyon új, július 10 -én publikált, de már tesztelték a spam észlelésére szolgáló hirdetésekben. Valójában áttörés a grafikongép -tanulásban és az AI modellek fejlesztésében, amelyek általánosíthatók a különböző grafikonszerkezetek és feladatok között.
Felhelyezi a gráf neurális hálózatok (GNN -k) korlátozásait, amelyeket a grafikonhoz kötöttek, amelyeken képezték őket. A Graph Foundation modellek, mint például az LLM, nem korlátozódnak arra, amire képzettek voltak, ami sokoldalúvá teszi őket az új vagy láthatatlan grafikonszerkezetek és tartományok kezelésére.
A Google GFM bejelentése azt mondja, hogy javítja a nulla és néhány lövés tanulását, azaz pontos előrejelzéseket készíthet a különféle grafikonokon, további feladat-specifikus képzés nélkül (nulla-lövés), még akkor is, ha csak kis számú címkézett példa áll rendelkezésre (néhány lövés).
A Google GFM bejelentése jelentette ezeket az eredményeket:
„A Google Scale -nál való működés azt jelenti, hogy milliárd csomópont és él grafikonjainak feldolgozása, ahol a JAX környezetünk és a skálázható TPU -infrastruktúra különösen ragyog. Az ilyen adatmennyiségek alkalmazhatók a generációs modellek képzéséhez, tehát több belső osztályozási feladatra vizsgáltuk a GFM -et, például a spam -detektálást, amely tucatnyi nagy és összekapcsolt relációs táblázatokra vonatkozik. Tipikus bázisarkás, az Albeit, az Albeit, a nem figyelembe véve a nagy és összekapcsolt relációs táblát. A táblázatok, és ezért hiányoznak olyan kontextus, amely hasznos lehet a pontos előrejelzésekhez.
Figyelembe vesszük a jelentős teljesítménynövekedést a legjobban hangolt egyszemélyes alapvonalakhoz képest. A downstream feladattól függően a GFM átlagos pontossággal 3x – 40x nyereséget eredményez, ami azt jelzi, hogy a relációs táblázatok gráfszerkezete kritikus jelet biztosít, amelyet az ML modellek kihasználnak. ”
Mi változott?
Nem ésszerűtlen azt a spekulációt, hogy mind a MUVERA, mind a GFM integrálása lehetővé teszi a Google rangsorolási rendszereinek pontosabban rangsorolását a releváns tartalom javításával (MUVERA), valamint a linkek vagy a tartalom közötti kapcsolatok feltérképezésével a megbízhatósággal és a hatalommal (GFM) kapcsolódó minták jobb azonosításához.
A MUVERA és a GFM integrálása lehetővé tenné a Google rangsorolási rendszereinek pontosabban a releváns tartalmat, amelyet a keresők kielégítőnek találnak.
A Google hivatalos bejelentése ezt mondta:
„Ez egy rendszeres frissítés, amelynek célja a felületi releváns, kielégítő tartalom kielégítése minden típusú keresők számára.”
Úgy tűnt, hogy ezt a frissítést nem kíséri a hatalmas változások széles körű jelentése. Ez a frissítés illeszkedhet ahhoz, amit a Google Danny Sullivan beszélt a Search Central Live New York-ban, ahol azt mondta, hogy változtatni fog a Google algoritmusában, hogy a kiváló minőségű tartalmak nagyobb változatosságát készítsék.
Glenn Gabe, a keresőmarketing tweetelt, hogy látott néhány olyan webhelyet, amelyeket a „hasznos tartalomfrissítés”, más néven HCU, visszatért a rangsorban, míg más webhelyek súlyosbodtak.
Noha azt mondta, hogy ez egy nagyon nagy frissítés, a tweetjeire adott válasz tompa volt, nem az a válasz, amely akkor fordul elő, amikor széles körben zavar. Úgy gondolom, hogy igazságos azt mondani, hogy bár Glenn Gabe adatainak nagy frissítése volt, valószínűleg nem volt zavaró.
Tehát mi változott? Úgy gondolom, azt gondolom, hogy egy széles körben elterjedt változás javította a Google azon képességét, hogy jobb felületet biztosítson a releváns tartalomhoz, és elősegítse a jobb visszakeresést és a javított képességet a megbízhatóság és az autoritivitás mintáinak értelmezésére, valamint az alacsony minőségű helyek jobb azonosítására.
További információ:
Google Muvera
A Google Graph Foundation modellje
A Google 2025 júniusi frissítésének vége
