Was ist Retrieve-for-Train?

Retrieve-for-Train ist eine Methode von Google Research für die KI-Suche, die die schwierige Planung einmal erledigt, während des Trainings. Im Moment der Suche macht dann ein kleines Modell aus einer Anfrage in einem einzigen Durchgang eine vollständige, abwechslungsreiche Ergebnismenge. Das Problem, das sie löst, ist die Suche, die eine Menge braucht und keinen einzelnen besten Treffer. Wer „Campingausrüstung“ eintippt, will ein Zelt, einen Schlafsack, einen Kocher und eine Lampe, nicht zehn Zelte. Diese Menge live zu ermitteln, mit einem großen KI-Modell, das Schritt für Schritt nachdenkt, während der Nutzer wartet, ist langsam. Retrieve-for-Train verlegt dieses Nachdenken in einen einmaligen Trainingslauf und übergibt das Ergebnis an ein viel kleineres Modell, das laut Google 12- bis 20-mal schneller antwortet.

Retrieve-for-Train ist Googles Weg, eine schnelle, abwechslungsreiche Menge an Suchergebnissen zu bekommen, ohne ein KI-Modell im Moment der Suche nachdenken zu lassen. Google Research hat es im September 2026 veröffentlicht. Das Problem beginnt mit einer breiten Anfrage. Jemand sucht nach „Campingausrüstung“, und eine gute Antwort ist eine Menge, die den Ausflug abdeckt: ein Zelt, ein Schlafsack, ein Kocher, eine Stirnlampe. Suchsysteme kommen an diese Menge, indem sie die eine Anfrage in mehrere kleinere aufteilen und jede ausführen. Der naheliegende Weg für das Aufteilen ist, die Anfrage im Moment der Suche einem großen Sprachmodell zu geben. Das scheitert auf zwei Arten. Das Modell liefert gern Beinahe-Kopien einer einzigen Anfrage statt Anfragen für verschiedene Arten von Artikeln. Und es erarbeitet seine Antwort Schritt für Schritt, in Text, also ist es langsam: In Googles Tests dauerte das Aufteilen von 1.024 Anfragen auf einmal fast 50 Sekunden. Retrieve-for-Train erledigt das Nachdenken einmal, in drei Schritten. Erstens wird ein mittelgroßes Sprachmodell durch Versuch und Belohnung darauf trainiert, pro Suche 10 kleinere Anfragen zu erzeugen. Die Belohnung bewertet die 10 als Gruppe: Passen sie zu echten Artikeln im Katalog, decken sie verschiedene Bereiche ab, und bleiben sie beim ursprünglichen Thema? Zweitens schreibt dieses trainierte Modell eine riesige Zahl von Beispielen, die jeweils eine Anfrage mit einer guten Ergebnismenge verbinden, ohne menschliche Beschriftung. Drittens lernt ein kleines Modell mit rund 54 Millionen Parametern aus diesen Beispielen, von einer Anfrage direkt zur ganzen Ergebnismenge auf einmal zu springen statt Wort für Wort. Nur das kleine Modell läuft, wenn ein Nutzer sucht. In Googles Tests brauchte es für kleine Stapel unter einer Sekunde und für den Stapel von 1.024 rund 4 Sekunden, 12- bis 20-mal schneller als ein Modell, das Schritt für Schritt vorgeht. Seine Ergebnisse waren auch abwechslungsreicher als die eines allgemeinen Modells. Es ist ein Rezept, um ein teures Verhalten in ein billiges Modell zu verdichten, keine neue Suchmaschine.

Ein Geschenkkorb-Geschäft hat ein Problem. Wer einen „Picknickkorb“ bestellt, will eine bunte Auswahl, nicht sechs Sorten Käse, und jeder Korb muss abwechslungsreich sein, zum Thema passen und aus Dingen bestehen, die wirklich im Lager liegen. Eine Möglichkeit ist, einen klugen Allrounder einzustellen, der jeden Korb von Grund auf erfindet, während der Kunde wartet. Das ist langsam, und der Allrounder greift immer wieder zu fünf fast gleichen Crackern. Die Inhaberin verbringt stattdessen 4 Wochen damit, für jede Art von Bestellung herauszufinden, welche Artikel einen guten Korb ergeben, und bewertet jeden Versuch nach dem, was zählt: echter Bestand, Abwechslung und Passung zur Bestellung. Die Ergebnisse kommen auf Packkarten. Von da an kann jede neue Aushilfe einen Korb in 60 Sekunden packen, ohne nachzudenken, und die Körbe sind besser als die des Allrounders. Retrieve-for-Train betreibt ein Suchsystem genauso. Die 4 Wochen des Ausarbeitens sind das Training, die Packkarten die Beispiele, die neue Aushilfe steht für das kleine Modell und der Korb für die Ergebnismenge. Wo das Bild bricht: Eine neue Aushilfe folgt einer festen Karte für eine feste Bestellung, während das kleine Modell das Muster gelernt hat und eine Menge für Bestellungen liefert, die es nie gesehen hat.