بحث Google يسرّع query fan-out عشر مرات

أهم النقاط

وصف Google Research طريقة R4T في 15 سبتمبر 2026، استنادًا إلى ورقة قُبلت في مؤتمر ICML 2026 ونُشرت أول مرة في مارس.

تستخدم R4T التعلم المعزز مرة واحدة خارج الاتصال، ثم تدرّب نموذج انتشار من 53.9 مليون معامل يولّد الاستعلامات الفرعية في تمريرة واحدة.

تجمع مكافأة التدريب بين ثلاثة أهداف هي الارتباط بمحتوى حقيقي والتنوع والاتساق مع الاستعلام الأصلي.

تفيد الورقة بخفض زمن fan-out بمقدار رتبة عشرية على اختبارات كبيرة للأزياء والموسيقى، لا على بحث الويب.

تقول وثائق Google إن AI Overviews وAI Mode قد تستخدم query fan-out، لكنها لا تقول إنها تستخدم R4T.

نشر Google Research طريقة R4T، اختصار Retrieve-for-Train، وهي طريقة تجعل تشغيل query fan-out (تفكيك طلبات البحث) أرخص بكثير. وتصف التدوينة المؤرخة 15 سبتمبر 2026 ورقة قُبلت في مؤتمر ICML 2026.

هذا بحث جُرّب على بيانات الأزياء والموسيقى، ولم تقل Google إنه يعمل في البحث.

ما query fan-out؟

يحوّل query fan-out طلبًا واسعًا واحدًا إلى عدة استعلامات فرعية مترابطة. ومثال Google نفسها هو “معدات التخييم”: يريد الباحث خيمة وكيس نوم وموقدًا ومصباح رأس، لا عشر صيغ متقاربة لخيمة أربعة أشخاص.

وتقول وثائق Google عن ميزات الذكاء الاصطناعي إن AI Overviews وAI Mode قد تستخدمان fan-out، فتجريان عدة عمليات بحث مترابطة عبر موضوعات فرعية ومصادر بيانات لبناء الإجابة.

والمشكلة التي تعالجها R4T هي التكلفة. فطلب تخطيط الاستعلامات الفرعية من نموذج لغوي كبير يستهلك رموز استدلال كثيرة، وتقول Google إن هذا يتعارض جذريًا مع أزمنة الاستجابة بأقل من ثانية التي يتطلبها شريط البحث في الإنتاج.

كيف تعمل R4T؟

تنقل الطريقة الجزء المكلف إلى مرحلة خارج الاتصال، في ثلاث خطوات:

تدريب نموذج fan-out بالتعلم المعزز. تتعلم نماذج مفتوحة (Gemma3-4B وQwen3-4B) كتابة استعلامات فرعية تُقيَّم بثلاثة أهداف متوازنة: ارتباطها بعناصر حقيقية، وتنوعها، واتساقها مع الاستعلام الأصلي.
توليد بيانات التدريب. ينتج النموذج المدرَّب أزواجًا من الاستعلامات ومجموعات النتائج، دون تصنيف بشري.
تدريب نموذج صغير وسريع. يتعلم نموذج انتشار من 53.9 مليون معامل إنتاج مجموعة النتائج كاملة في تمريرة واحدة، دون استدلال خطوة بخطوة.

والتوازن مهم: فالتركيز على الارتباط بالواقع وحده أنتج كلامًا بلا معنى، وإضافة الاتساق وحده أنتجت صيغًا متقاربة تكاد تتطابق. وأغلق التنوع، المقاس بمؤشر Vendi Score، الثغرتين معًا.

ماذا تغطي النتائج؟

تفيد الورقة بمجموعات نتائج أفضل من خطوط الأساس القوية، وبخفض زمن fan-out بمقدار رتبة عشرية، على اختبارات كبيرة للأزياء والموسيقى. وهذه مجموعات أزياء وقوائم موسيقى منتقاة، وليست الويب. لا تذكر التدوينة ولا الورقة بحث Google ولا AI Mode ولا AI Overviews.

ووصف R4T في بعض التغطيات بأنه بحث جاهز للإنتاج يتجاوز ما نشرته Google.

لماذا يهمنا هذا؟

تقول Google إن ميزاتها الذكية قد تستخدم fan-out أصلًا، وأبحاث كهذه تسعى إلى جعل تشغيله أرخص. والدرس العملي لا تغيّره R4T: تُذكر الصفحات للاستعلامات الفرعية التي تجيب عنها جيدًا، فغطِّ الأسئلة المرتبطة بالموضوع لا كلمته الرئيسية وحدها.

وتقيس أداة جاهزية الإجابة للذكاء الاصطناعي هل تجيب صفحتك عن السؤال مباشرة. وتابع البحث بالذكاء الاصطناعي لتعرف هل تؤكد Google يومًا استخدام R4T.

أسئلة شائعة

ما query fan-out؟

تفكيك استعلام واسع واحد إلى عدة استعلامات فرعية مترابطة لتغطي النتائج جوانب مختلفة مما يريده الباحث. وتقول Google إن AI Overviews وAI Mode قد تستخدمه، فتجري عدة عمليات بحث مترابطة عبر موضوعات فرعية ومصادر بيانات.

هل يستخدم بحث Google طريقة R4T؟

لم تقل Google ذلك. جرّبت مدونة البحث والورقة R4T على اختبارات الأزياء والموسيقى، ولا تذكر أي منهما بحث Google ولا AI Mode ولا AI Overviews.

ماذا يفعل أصحاب المواقع بشأن query fan-out؟

غطِّ الأسئلة المرتبطة بالموضوع، لا الكلمة الرئيسية وحدها. يبحث نظام fan-out عن صفحات تجيب عن الاستعلامات الفرعية، فقد تُذكر صفحة تعالج جانبًا واحدًا جيدًا حتى لو لم تتصدر الاستعلام الواسع.

قراءات ذات صلة