Le regole del digitale stanno cambiando.
O sei visibile o sei fuori. Noi ti aiutiamo a raggiungere i clienti giusti — quando ti stanno cercando.
Contattaci ora
R4T salta il ragionamento: addestra un retriever diffusion leggero e risponde all’istante.
Un modello su Hugging Face genera vettori invece di testo e riproduce il query fanout che alimenta AI Overviews e AI Mode di Google. Conta perché rende la mediazione tra ricerca e risposta più rapida ed economica, spostando la competizione sulla qualità degli embedding. Resta il dubbio che il fanout vettoriale riduca ulteriormente i clic verso gli editori.
C’è un modello su Hugging Face che non genera testo: genera vettori. Addestrato sulla tassonomia ecommerce di Google, riproduce il query fanout che oggi alimenta AI Overviews e AI Mode, cioè quel meccanismo con cui il motore espande una domanda in più ricerche correlate per costruire una risposta unica e riassunta. A renderlo pubblico, ieri, è stato Dejan Petrovic, professionista SEO, con un post sul suo blog in cui spiega di aver riprodotto il paper di ricerca di Google e di aver addestrato lui stesso il modello: «I reproduced the paper and trained the model myself». Il modello addestrato è disponibile su Hugging Face.
Ma perché un modello che produce vettori invece di testo dovrebbe interessare chi pubblica online? La risposta sta nel modo in cui Google ha costruito il suo nuovo retriever. E parte da un fatto concreto.
Il modello che genera vettori, non parole
La particolarità sta nella ricerca di Google. Secondo Google, un piccolo modello di diffusione viene addestrato su vettori ed emette vettori, saltando del tutto la generazione di testo; il dataset generato riguarda i fanout della tassonomia ecommerce di Google. Non siamo più nel campo dei modelli che scrivono frasi per riassumere una domanda: qui l’output è geometrico, una distribuzione di vettori nello spazio di embedding.
Petrovic ha anche semplificato il processo, saltando il reinforcement learning. Non lo ha ritenuto necessario, scrive, considerando che oggi esistono ottimi teacher model come Gemma-4-26B-A4B, adatti a generare dati sintetici di addestramento per fanout ortogonali di qualità. In altre parole: un modello più grande insegna a uno più piccolo, senza passare dal costoso ciclo di prova ed errore del RL.
Dietro il salto: addestrare una volta, interrogare all’istante
Il meccanismo ha un nome: R4T, ovvero Retrieve-for-Train. Invece di affidarsi a costosi ragionamenti in fase di inferenza, il framework usa il reinforcement learning una sola volta per addestrare un modello di diffusione leggero. Lo spiega il blog di Google Research: si salta il pesante “budget di pensiero” autoregressivo per generare all’istante una lista coerente di risultati di ricerca, di livello esperto.
Nel paper pubblicato su arXiv, gli autori propongono R4T come un “objective transducer” in un processo a tre passaggi: la ricerca di Google sul query fanout addestra un retriever diffusion leggero per modellare distribuzioni di output a valori insiemistici direttamente nello spazio di embedding. L’analogia è questa: invece di ragionare ogni volta su come espandere una domanda in sottodomande, il modello impara una mappa di vettori possibili e la consulta all’istante. Addestri una volta, interroghi sempre. La macchina non pensa alla risposta: produce lo spazio in cui le risposte possibili vivono già.
Resta una domanda: se il fanout diventa vettoriale, chi paga il conto in termini di clic?
Il conto per chi pubblica
Il conto è già in parte arrivato. Come riportato da un’analisi di Digiday, il query fanout già oggi collassa molte ricerche in una singola risposta riassunta, tagliando i clic verso gli editori. Un passaggio da fanout testuale a fanout vettoriale, più veloce ed economico, potrebbe intensificare questa dinamica.
Google, dal canto suo, usa già la tecnica query fan-out in AI Overviews e AI Mode per generare risposte, emettendo ricerche correlate su sottotemi e fonti dati. Nella documentazione ufficiale per sviluppatori, Google sostiene che mentre le risposte vengono generate, i suoi modelli avanzati identificano più pagine web di supporto, mostrando link più ampi e diversificati rispetto a una ricerca classica: nuove opportunità di esplorazione. Ma il punto resta: se la risposta è già completa, il clic verso la fonte diventa opzionale.
Il contrasto competitivo è netto. ChatGPT di OpenAI esegue ancora il fan-out come esplicite query di ricerca testuale: riscrive la domanda dell’utente in proprie query di ricerca, le esegue, legge i risultati e poi scrive una risposta. Come riportato nell’analisi pubblicata su Suganthan, il rivale di Google scompone i prompt in ricerche testuali di background. Mentre Google muove verso il vettoriale, ChatGPT resta sulle query testuali esplicite. La prossima mossa dirà se il divario si allarga.
Per chi fa impresa online, il passaggio dal fanout testuale a quello vettoriale significa una cosa precisa: la mediazione tra ricerca e risposta diventa più veloce ed economica, e la battaglia per il clic si sposta ancora più a monte, nella qualità degli embedding con cui un brand entra nella tassonomia dell’AI.
