Dans un billet publié le 15 septembre, Pengcheng Jiang et Judith Yue Li, de Google Research, présentent Retrieve-for-Train, ou R4T. Ces travaux, déposés sur arXiv le 6 mars 2026, portent sur la recherche d’ensembles de résultats à partir d’une demande large.
Un entraînement pour obtenir des recherches complémentaires
Le query fan-out décompose une demande en plusieurs sous-requêtes complémentaires. Google prend l’exemple du matériel de camping. La recherche doit couvrir une tente, un sac de couchage ou un réchaud, plutôt que plusieurs variantes d’un même produit.
Pour entraîner son modèle de langage, l’équipe combine trois critères à la fois. Les sous-requêtes doivent rester proches des contenus présents dans la base, explorer des aspects distincts et respecter l’intention de départ.
Un petit modèle entraîné à partir des sorties d’un LLM
Le dispositif comporte trois étapes. Un modèle de langage apprend d’abord par renforcement à produire des sous-requêtes selon ces critères. Il génère ensuite des exemples synthétiques, utilisés pour entraîner un modèle beaucoup plus petit.
Ce modèle de diffusion compte 53,9 millions de paramètres. Il produit simultanément des représentations numériques, ou embeddings, qui servent à retrouver les contenus dans la base. Il évite ainsi la génération séquentielle de sous-requêtes textuelles au moment de la recherche.
Des gains mesurés sur deux domaines
Les expériences utilisent des ensembles de tenues vestimentaires et des playlists musicales. Les auteurs rapportent une meilleure qualité de recherche que plusieurs méthodes de comparaison, selon les critères évalués.
Le test de vitesse porte sur la génération de dix directions par requête. R4T-Diffusion se révèle 12 à 20 fois plus rapide que les approches autorégressives comparées. Sur un lot de 1 024 requêtes, le temps passe de près de 50 secondes à 4,21 secondes.
Aucun déploiement confirmé dans Google Search
Google présente le système comme adapté à une utilisation en production. Le billet et l’étude n’annoncent toutefois aucun déploiement effectif dans Google Search ou AI Mode.
Les auteurs signalent aussi des limites dans leur évaluation. Une partie des résultats est jugée par un modèle de langage, ce qui peut introduire des biais. Ils précisent enfin que le coût initial d’entraînement peut être élevé pour les bases très volumineuses ou fréquemment modifiées.
