Em 15 de setembro de 2026, o Google Research publicou em seu blog uma nova abordagem para acelerar buscas complexas com inteligência artificial. O artigo é assinado por Pengcheng Jiang, pesquisador estudante, e Judith Yue Li, engenheira sênior de pesquisa.
O texto apresenta o Retrieve-for-Train, um framework que substitui o raciocínio caro no momento da inferência por um treinamento offline com aprendizado por reforço. O método foi descrito no paper "Efficient, Property-Aligned Fan-Out Retrieval via RL-Compiled Diffusion", apresentado na ICML 2026.
A publicação parte de uma mudança no comportamento esperado de sistemas de busca e recomendação. Em vez de um único melhor resultado, o usuário quer um conjunto coerente.
O exemplo usado pelos autores é uma busca por "equipamento de camping". Ninguém quer dez variações de barracas para quatro pessoas.
Quer um conjunto complementar com barraca, saco de dormir, fogareiro portátil e lanterna de cabeça.
O gargalo da decomposição de consultas
Para produzir esse tipo de resposta, os sistemas usam a técnica de query fan-out. Ela divide um pedido amplo em subconsultas relacionadas para cobrir interesses potenciais do usuário.
O problema, segundo o Google Research, é que ensinar um LLM a fazer essa decomposição ciente do banco de dados drena um orçamento de pensamento massivo. LLMs zero-shot são, por concepção, previsores de texto autorregressivos genéricos.
Não foram otimizados para navegar pela geometria específica de um corpus alvo.
Por isso, exigem computação estendida em tempo de teste para devolver uma coleção de resultados que otimize propriedades de conjunto. São elas: diversidade, cobertura, complementaridade e coerência.
Tudo sem perder o vínculo com a base de dados fixa.
Colapso parafrástico e o custo dos tokens de raciocínio
O material lista dois desafios críticos. O primeiro é o colapso parafrástico.
Sem otimização voltada ao acervo, modelos zero-shot tendem a produzir consultas redundantes e quase sinônimas.
Diante do pedido "estilo festival boêmio", um LLM padrão pode gerar "moda festival boêmia" e "roupas festival boêmia". É um laço semântico que deixa de fora direções distintas e úteis, como jaquetas com franjas, vestidos de crochê ou botas de camurça.
O segundo é o gargalo autorregressivo. Como a geração é sequencial, decompor uma consulta complexa costuma exigir centenas de tokens intermediários de cadeia de pensamento antes da emissão dos termos finais de busca.
Isso é aceitável em um assistente conversacional. Vira um problema estrutural quando o sistema precisa planejar uma lista grande de subconsultas de uma só vez.
O custo combinado de processar contexto e gerar tokens de raciocínio escala mal.
Mesmo com otimizações avançadas de serving, a arquitetura token a token impõe um piso de latência. Esse piso é incompatível com os tempos de resposta abaixo de um segundo exigidos por uma barra de busca em produção.
Treinar uma vez em vez de raciocinar a cada consulta
O Retrieve-for-Train ataca esse gargalo tratando o treinamento como uma sessão de prática offline. Em vez de forçar o modelo a redescobrir as regras de uma boa busca a cada consulta, o framework usa aprendizado por reforço offline.
O método descobre fan-outs alinhados a recompensas e os compila em supervisão. Os autores descrevem o processo como compilação de recompensa em dados.
Metas abstratas, como garantir diversidade e disponibilidade real dos itens, são convertidas em um manual de instruções passo a passo.
Na etapa final, esses comportamentos de exploração otimizados são destilados em um retriever de difusão leve. Ele é capaz de gerar o conjunto de subconsultas em uma única passada no momento da inferência.
Segundo o Google Research, o resultado é a obtenção de propriedades de conjunto formuladas matematicamente, sem o custo dos tokens de raciocínio em tempo de teste.
Por que isso importa
A mudança de arquitetura tem efeito prático direto. O sistema deixa de pagar por raciocínio estendido a cada consulta e paga uma vez, no treinamento.
Para aplicações de busca e recomendação que precisam devolver listas coerentes, e não um único melhor item, o ganho está em preservar a qualidade de conjunto. Isso sem estourar o orçamento de computação nem comprometer a latência de resposta.
O trabalho também aponta uma direção mais ampla para a área. Transformar metas abstratas de qualidade em dados de supervisão por meio de reforço e destilação, em vez de depender de prompts cada vez mais elaborados.
Fontes e links
- Google Research
- Paper: Efficient, Property-Aligned Fan-Out Retrieval via RL-Compiled Diffusion
- Pôster na ICML 2026
