トップ›検索結果・購買導線の変化›この記事
Googleがクエリ分解の新フレームワーク「R4T-Diffusion」を公開、5,390万パラメータで従来比12〜20倍の高速化
原題: Google Announces New Query Fan-Out Framework: R4T-Diffusion
背景
AI検索は利用者の1つの問いを複数の下位クエリに分解して検索する「クエリ・ファンアウト」を前提に動いており、この処理の速度とコストがAI検索の実用性を左右してきた。Googleは、強化学習・合成データ生成・小規模な拡散モデルを組み合わせた新フレームワークを公開し、計算コストを下げながら品質を上げたと説明している。
結論
- フレームワーク名はRetrieve-for-Train-Diffusion（R4T Diffusion Model）で、強化学習・合成データ生成・小規模な拡散モデルの3要素を組み合わせている
- モデル規模は5,390万パラメータという小ささに抑えられている
- 従来の自己回帰型の手法に比べ、12〜20倍の高速化を実現した
- 大きなバッチ処理では自己回帰型が約50秒近くまで遅延する一方、R4T-Diffusionは1秒未満から数秒の範囲に収まる
- 論文はarXiv 2603.06397として2026年3月に公開され、ブログでの発表は2026年9月15日である
- 最適化は「Groundedness（データベース上の分布からの距離を罰する）」「Diversity（Vendi Scoreで測定する）」「Alignment（下位クエリを元の広いプロンプトに固定する）」の3本柱で、相反する目的を両立させている
メッセージ
AI検索は買い物客の1つの質問を、内部で複数の細かい問いに割って探している。その分解処理が20倍速く・安くなるということは、AIがこれまで省いていた細かい条件まで確認しにくるようになるということである。「予算」「用途」「サイズ」「相性」といった条件が下位クエリとして投げられたとき、商品ページにその答えが書かれていなければ、その商品は候補から静かに落ちる。商品説明を「見栄えのする一文」ではなく「想定される問いへの答えの集合」として設計し直す根拠が、ここにある。