Des chercheurs de Google DeepMind, associés aux universités du Massachusetts Amherst et du Texas à Austin, ont publié deux travaux qui visent à faire évoluer le système de recherche classique en deux étapes (récupération puis reclassement) vers des architectures génératives. Le premier, « Autoregressive Ranking », cherche à combler l’écart entre les modèles à double encodeur (rapides mais moins précis) et à encodeur croisé (précis mais coûteux). Le second, BlockRank, permet à un grand modèle de langage de lire plusieurs documents simultanément pour déterminer lesquels comptent le plus (« in-context ranking ») ; un test avec Mistral-7B montre des performances égales ou supérieures aux méthodes actuelles, sur un contexte de 500 documents. Ces travaux restent au stade de la recherche, mais dessinent la direction que pourrait prendre un futur ranking piloté par IA générative — un signal à suivre pour la discipline GEO.
Source : Search Engine Journal (11/09/2026)
Transparence (AI Act, art. 50) — cet article est produit et actualisé avec l’assistance de l’IA, sous la supervision et la responsabilité éditoriale d’Optimize 360. Sources citées et vérifiées.
