O que é Retrieve-for-Train?

Retrieve-for-Train é um método do Google Research para busca com IA que faz o planejamento difícil uma vez só, durante o treinamento. No momento da busca, um modelo pequeno transforma então uma consulta num conjunto completo e variado de resultados, numa única passada. O problema que ele resolve é a busca que precisa de um conjunto, e não de uma única melhor correspondência. Quem digita “equipamento de camping” quer uma barraca, um saco de dormir, um fogareiro e uma lanterna, não dez barracas. Montar esse conjunto ao vivo, com um modelo de IA grande raciocinando passo a passo enquanto o usuário espera, é lento. O Retrieve-for-Train leva esse raciocínio para um treinamento feito uma única vez e passa o resultado para um modelo muito menor, que segundo o Google responde de 12 a 20 vezes mais rápido.

Retrieve-for-Train é a forma do Google de obter um conjunto de resultados de busca rápido e variado sem fazer um modelo de IA pensar no momento da busca. O Google Research publicou o método em setembro de 2026. O problema começa com uma consulta ampla. Alguém busca “equipamento de camping”, e uma boa resposta é um conjunto que cubra a viagem: uma barraca, um saco de dormir, um fogareiro, uma lanterna de cabeça. Os sistemas de busca chegam a esse conjunto dividindo a consulta em várias menores e executando cada uma. O jeito óbvio de fazer essa divisão é entregar a consulta a um modelo de linguagem grande no momento da busca. Isso falha de duas maneiras. O modelo tende a produzir quase cópias de uma mesma consulta em vez de consultas para tipos diferentes de item. E ele elabora a resposta passo a passo, em texto, então é lento: nos testes do Google, dividir 1.024 consultas de uma vez levou quase 50 segundos. O Retrieve-for-Train faz o raciocínio uma vez só, em três etapas. Primeiro, um modelo de linguagem médio é treinado por tentativa e recompensa para produzir 10 consultas menores por busca. A recompensa pontua as 10 como grupo: se correspondem a itens reais do catálogo, se cobrem terrenos diferentes e se ficam no tema original. Segundo, esse modelo treinado gera enormes quantidades de exemplos, cada um combinando uma consulta com um bom conjunto de resultados, sem rotulagem humana. Terceiro, um modelo pequeno de cerca de 54 milhões de parâmetros aprende com esses exemplos a saltar de uma consulta direto para o conjunto inteiro de resultados de uma vez, em vez de palavra por palavra. Só o modelo pequeno roda quando um usuário busca. Nos testes do Google, ele levou menos de um segundo para lotes pequenos e cerca de 4 segundos para o lote de 1.024, de 12 a 20 vezes mais rápido do que um modelo que raciocina passo a passo. Os resultados também foram mais variados do que os de um modelo genérico. É uma receita para comprimir um comportamento caro num modelo barato, não um novo buscador.

Uma loja de cestas de presente tem um problema. Quem pede uma “cesta de piquenique” quer uma seleção, não seis tipos de queijo, e cada cesta precisa ser variada, fiel ao tema e feita com coisas que existam de fato no estoque. Um jeito de tocar isso é contratar um generalista esperto que invente cada cesta do zero enquanto o cliente espera. Isso é lento, e o generalista vive pegando cinco biscoitos quase iguais. A dona, em vez disso, passa 4 semanas descobrindo, para cada tipo de pedido, quais itens formam uma boa cesta, e pontua cada tentativa pelo que importa: estoque real, variedade e encaixe com o pedido. Os resultados vão para fichas de montagem. Dali em diante, qualquer contratado novo monta uma cesta em 60 segundos sem pensar, e as cestas saem melhores que as do generalista. O Retrieve-for-Train conduz um sistema de busca do mesmo jeito. As 4 semanas de trabalho são o treinamento, as fichas de montagem são os exemplos, o contratado novo faz as vezes do modelo pequeno e a cesta, do conjunto de resultados. Onde a imagem quebra: o contratado novo segue uma ficha fixa para um pedido fixo, enquanto o modelo pequeno aprendeu o padrão e produz um conjunto para pedidos que nunca viu.