Весной 2021 года компания Google представила технологию MUM, Multitask Unified Model, и описала её как крупный шаг в понимании сложных вопросов поиском: модель читает текст и изображения одновременно, переносит знания между десятками языков и способна собрать ответ там, где раньше требовалась цепочка простых запросов. Годы спустя отдельного режима MUM в выдаче не видно, и складывается впечатление, что обещанное осталось на презентациях. Впечатление обманчиво: модель вошла в поиск по частям, через отдельные функции, и изменила их заметно. Владельцу сайта полезнее разбираться не в обещаниях, а в практических следствиях. Спрос всё чаще соединяет слово, картинку и ролик в одном вопросе, и страница, рассчитанная только на текст, теряет целые сценарии попадания в ответ. Статья разбирает устройство модели, реальное состояние её внедрения и шаги, которые помогают сайту встретить мультимодальный спрос подготовленным.
Происхождение Google MUM и технические отличия от прежних языковых моделей
MUM появилась не на пустом месте. Поиск Google к тому моменту уже несколько лет использовал нейросетевые языковые модели: например, BERT, которая научила систему видеть, как смысл слова меняется от окружения. Но BERT работала с текстом, с одним языком запроса и с одной задачей. MUM задумана шире: единая модель решает сразу разные задачи, отвечает на вопросы, сравнивает варианты, извлекает сведения, причём на десятках языков, и понимает не только слова, но и изображения. По заявлениям разработчиков, модель многократно мощнее прежних языковых решений поиска.
В её основе лежит архитектура трансформеров, тот же класс нейросетей, на котором строятся современные языковые модели. Сильная сторона архитектуры в механизме внимания: разбирая фразу, модель взвешивает связи между всеми словами сразу и потому улавливает смысл, теряющийся при чтении по одному слову. Название Multitask Unified Model переводится как единая модель для многих задач, и это инженерное описание, а не поэтическая вольность: вместо конвейера отдельных систем, где одна переводит, вторая отвечает, третья сортирует изображения, работает общий фундамент.
Два свойства отличают новинку от предшественниц на практике. Первое, мультимодальность: модель обучалась на текстах и изображениях вместе, поэтому кадр для неё не чужеродный элемент, а полноценный носитель смысла, который можно сопоставить со словами запроса. Второе, перенос знаний между языками: полезное знание, записанное на другом языке, способно послужить ответу, даже если пользователь ищет на своём. Оба свойства годами оставались за пределами классического поиска, и именно они задают форму завтрашнего спроса.
Мультимодальность и многоязычность на практических сценариях поиска
Абстрактные свойства становятся наглядными на бытовых сценах. Человек фотографирует незнакомое растение и спрашивает, как за ним ухаживать. Снимает потрескавшуюся подошву походных ботинок и спрашивает, годятся ли они для осеннего горного маршрута. Кладёт в кадр выпавшую деталь велосипеда и просит назвать её и подсказать, где искать замену. Для классического поиска каждый такой случай начинался со слов, которые человек не всегда способен подобрать. Модель, читающая изображение, снимает ограничение: запрос начинается с кадра, а слова его уточняют.
Вторая сцена, составной вопрос. Подготовка к первому походу с ребёнком на поверку не один запрос, а целый набор: снаряжение, маршрут, безопасность, еда, погода, аптечка. Раньше каждый аспект приходилось искать отдельно и собирать ответ по кускам. Модель, понимающая тему глубже, способна сама развернуть вопрос в список аспектов и показать пользователю те, о которых он не подумал. Поиск понемногу меняет позицию: вместо продавца ссылок он пробует роль советчика, который ведёт по теме.
Третья сцена, языковой перенос. Пусть лучший разбор редкой темы написан на языке, которого пользователь не знает. Многоязычная модель способна взять оттуда знание и встроить его в ответ на языке запроса. Для владельцев сайтов здесь совмещаются приятная и тревожная новости: конкуренция за место в ответе выходит за границы родного языка, зато сильный материал получает шанс послужить аудитории, которая иначе о нём не узнала бы.
Реальное состояние внедрения MUM в функциях поиска без единого переключателя
Главное, что стоит понять о внедрении: MUM никогда не была отдельным режимом, который пользователь включает и видит в интерфейсе. Это слой под капотом, и в выдачу он вошёл через конкретные функции, которые компания вводила постепенно, одна за другой.
Первое направление, подсказки по сложным темам. По вопросам, где легко упустить важное, поиск начал раскрывать тему шире запроса: рядом с результатами появились смежные подвопросы, о которых пользователь не подозревал, и путь к полному ответу стал короче. Второе направление, визуальные ответы. Поиск по изображению постепенно отходит от роли каталога похожих картинок: содержание кадра соединяется со смыслом запроса, а в инструменте визуального поиска Google Lens прижился сценарий, где к фотографии добавляют текстовое уточнение и ищут "похожее, но в другом цвете" или "такое же, но дешевле". Третье направление, разнообразие форматов. Один вопрос всё чаще закрывается смесью страниц, роликов, изображений и подборок, и система сама решает, какой формат подойдёт к какому аспекту вопроса.
Дальше начинается территория осторожности. Публичные материалы компании со временем стали реже называть MUM по имени, акцент сместился в сторону генеративных функций поиска, а подходы, отработанные на этой модели, легли в основу новых ответов. Точной карты, где и в каком объёме модель работает сейчас, никто не публикует, поэтому уверенные цифры о доле внедрения остаются догадками. Наблюдение за собственной выдачей скажет больше громких слов: если по сложным темам появляются новые типы блоков, подсказки и визуальные подборки, значит механизмы нового поколения уже работают на этой аудитории. Внедрение состоялось, только без одного большого включения, на которое можно было бы показать пальцем.
Мультимодальные запросы и типы поисковых задач, которые меняются первыми
Первыми меняются запросы, где классический поиск откровенно буксовал. Составные исследовательские вопросы: подготовка, выбор, сравнение, обучение, всё то, что раскладывается на несколько подвопросов и раньше требовало отдельного поиска по каждому. Запросы от фотографии: камера превращается в строку поиска, когда подобрать слова труднее, чем снять кадр. Разговорные формулировки: люди всё чаще печатают вопрос так, как спросили бы у знакомого специалиста. И запросы со скрытыми аспектами, где пользователь не знает, что именно уточнить, и рад, когда система подсказывает направления сама.
У кого растут шансы. Страница, закрывающая вопрос целиком и в нескольких форматах, попадает в ответ на любом его этапе: слово найдёт текст, кадр найдёт подписанное изображение, пошаговый процесс найдёт ролик. Страница, отвечающая на четверть вопроса, теряет даже прежние шансы: система, глубже понимающая тему, видит неполноту и обходит источник стороной.
Отдельная история с изображениями. Раньше положение картинки в поиске во многом определялось подписью и окружающим текстом. Модели, обученные смотреть в кадр, смещают вес к содержанию самого изображения: оригинальные снимки реальных предметов, процессов и мест выходят вперёд, а безликие стоковые картинки, расставленные для объёма, теряют смысл. Владельцу графического архива это сигнал: снимать своё, подписывать по существу и показывать на страницах то, что ищут глазами.
Подготовка страницы к пониманию текста, изображений и видео в одном запросе
Смысл оптимизации не в трюках, а в честном покрытии темы разными способами восприятия. Текст закрывает вопрос словами, изображение показывает то, что словами передать трудно, ролик раскрывает процесс в движении, а подписи связывают форматы между собой и с запросом. Практический набор действий для страницы выглядит так:
- разбить тему на смысловые блоки и каждому подобрать подходящий формат: текст, изображение или короткий ролик;
- вынести прямой ответ в первый абзац, а детали, сравнения и нюансы разложить ниже по подзаголовкам;
- подписать каждое изображение содержательной фразой, которая называет объект в кадре и его связь с темой страницы;
- заполнить альтернативные описания изображений осмысленными фразами вместо перечня ключевых слов;
- собрать реальные вопросы аудитории из обращений в поддержку, комментариев и подсказок поисковой строки и закрыть их подразделами;
- добавить структурную разметку для изображений и роликов, чтобы система видела, что именно показано и о чём материал;
- обновлять страницу при изменении темы и показывать дату обновления, потому что свежий материал выигрывает у устаревшего.
Просто звучит, непросто делается: каждый пункт требует редакторской работы, а не технического клика. Подпись, которая отвечает на вопрос, а не украшает страницу, отличает осмысленный материал от набора блоков. Такая подпись работает дважды: человек понимает кадр, а система понимает связь изображения с темой.
Полный ответ на сложный вопрос как основной критерий качества материала
Модель понимает тему глубже, и планка для источников растёт. Странице больше недостаточно соответствовать паре слов запроса: система видит весь вопрос, сравнивает его с содержанием страниц и выбирает источник, который закрыл тему, а не напомнил о ней. Отсюда практический тест перед публикацией: выписать вопросы, которые читатель держит в голове, и проверить, на какие страница отвечает, а какие оставляет на потом. Каждая дыра в ответе ведёт читателя обратно в поиск и сообщает системе о неполноте материала.
Сложный вопрос устроен как дерево: корень, ветви аспектов, листья деталей. Хороший материал либо собирает дерево целиком на одной странице, либо строит раздел, где ветви становятся отдельными статьями, связанными понятными переходами. Оба пути работают, если переход отвечает на следующий вопрос читателя раньше, чем тот его задаст. Одиночная страница проигрывает разделу уже потому, что у системы появляется выбор, откуда взять знание о смежном аспекте.
Полнота не равна длине. Раздувание текста повторами и вступительными абзацами работает против материала: система, обученная на смыслах, отличает ответ от балласта быстрее человека, а читатель устаёт раньше конца прокрутки. Мерой готовности служит закрытый список вопросов, а не количество знаков. Таблицы, сравнения, пошаговые инструкции и разобранные примеры экономят место там, где сплошной текст занял бы лишние экраны, и одновременно дают системе готовые фрагменты для ответа.
Многоязычный спрос и свобода источника от привязки к одному языку
Многоязычность модели меняет географию конкуренции. Знание для ответа может прийти со страницы на любом из языков, на которых модель обучалась, и владелец сайта встречает в выдаче не только соседей по языку, но и сильные зарубежные материалы, которые раньше до его аудитории не добирались. У перемены две стороны. Сильный материал на своём языке получает шанс послужить ответом для аудитории, которая по-русски не ищет. Слабая копия с чужого языка перестаёт быть безнаказанной: полупустые страницы, собранные машинным переводом, портят доверие и выпадают из ответов первыми.
Если аудитория одноязычна и локальна, задача сводится к простому: быть сильнейшим источником в своём языке и нише, где глубина, точность и собственные наблюдения перевешивают технические уловки. Если аудитория многоязычна, минимальный набор выглядит скромно: полные версии на ключевых языках вместо машинных заглушек, честные пометки о языке и регионе страниц, одинаковая глубина всех версий вместо одной богатой и пустых остальных. Копировать чужие разборы бессмысленно: модель, обученная на десятках языков, скорее найдёт первоисточник, чем поверит переводчику.
Итог для владельца сайта обманчиво прост: технологии меняют то, как поиск читает страницу, но не то, что он хочет прочитать. Ему по-прежнему нужен источник, который разбирается в теме, показывает её словами, кадрами и движением, отвечает на вопрос без остатка и одинаково понятен человеку и машине. MUM лишь подняла цену невыполнения этих условий. Кто выполнял их и раньше, тот почти ничего не теряет; кто строил страницы под пару ключевых слов, тому предстоит заново учиться говорить с поиском на его новом языке.