Google DeepMind ARR 自迴歸排序模型：用一個 LLM 取代傳統檢索＋重新排序兩階段系統
Google DeepMind 發表全新搜尋排名模型 ARR
2026 年 9 月 10 日，Search Engine Journal 報導 Google DeepMind 聯同 University of Massachusetts Amherst 及 University of Texas at Austin 發表咗一篇重磅研究論文——「Autoregressive Ranking: Bridging the Gap Between Dual and Cross Encoders」，提出一種名為 Autoregressive Ranking（ARR，自迴歸排序）嘅全新搜尋排名模型。
呢項研究嘅核心問題係：能否用一個單一嘅 LLM，直接生成排序結果，取代目前搜尋引擎普遍使用嘅「檢索 → 重新排序」兩階段系統？如果 ARR 成功落地，將會徹底改變 Google 搜尋引擎嘅後端架構，對 SEO 行業帶嚟深遠影響。
現有系統嘅限制：Dual Encoder 嘅維度瓶頸
目前主流嘅搜尋排名系統採用兩階段架構：
- 第一階段（檢索）：使用 Dual Encoder（雙編碼器），將查詢同文檔分別編碼成向量，透過向量相似度搜尋快速召回候選文檔。呢個階段效率高但表達力有限——查詢同文檔各自獨立編碼，無法進行深度交互。
- 第二階段（重新排序）：使用 Cross Encoder（交叉編碼器），將查詢同候選文檔配對一齊處理，進行更精確嘅相關性判斷。呢個階段準確度高，但要對每個候選文檔逐個計算，成本極高。
ARR 研究論文嘅關鍵理論貢獻在於：證明了 Dual Encoder 如果要實現所有可能嘅 k 個文檔排序，其嵌入維度必須隨 k 線性增長（n = Ω(k)）。換句話說，Dual Encoder 嘅表達力存在固有天花板。
ARR 嘅運作原理：生成排序而非匹配排序
ARR 嘅核心思路完全唔同：唔係將文檔編碼成向量再做相似度匹配，而係訓練一個 LLM 直接生成文檔 ID 嘅 token 序列。
具體步驟如下：
- 每個文檔被分配一個唯一嘅 docID（文檔標識符），由一個或多個 token 組成
- 俾出一個查詢，LLM 學習以自迴歸方式逐 token 生成相關文檔嘅 docID
- 使用 Beam Search（束搜尋）同時探索多個可能嘅生成路徑，產生一個按概率排序嘅文檔列表
- 文檔嘅排名直接由 LLM 生成概率決定——概率越高，排名越前
ARR 嘅理論優勢在於：喺隱藏維度恆定嘅情況下，ARR 可以實現任意數目文檔嘅任意排序，而 Dual Encoder 需要維度線性增長先做到。呢個證明了 ARR 嘅表達力在理論上嚴格優於 Dual Encoder，可與 Cross Encoder 媲美，但運算成本遠低於後者。
實驗結果：ARR 表現強勁但非全面勝利
研究團隊使用 WordNet 同 Amazon ESCI Shopping Queries 兩個數據集進行測試，比較 ARR 同傳統 Dual Encoder、Cross Encoder 嘅表現：
- 喺 WordNet 測試中，ARR 表現與 Cross Encoder 相當，顯著優於 Dual Encoder
- ARR 配合理論推導嘅 rank-aware 訓練損失函數（SToICaL），大幅改善了整體排名質量
- rank-aware 損失幫助 ARR 更有效地將唔相關文檔排在相關文檔之後
- 但喺一個購物搜尋配置中，Top-1 準確度反而下降——雖然整體排名質量改善，但最相關結果排第一嘅能力受影響
呢個 trade-off 說明 ARR 目前仲未係完美嘅解決方案，但研究方向非常清晰：用生成式方法取代傳統排序架構嘅可行性已經得到初步驗證。
對香港 SEO 嘅潛在影響
雖然 ARR 目前仍處於研究階段，距離實際部署到 Google 搜尋引擎仲有一段距離，但 SEO 行業應該及早關注呢個技術方向：
- 語義理解要求更高：ARR 直接建模查詢-文檔嘅交互關係，意味住關鍵字匹配嘅重要性進一步降低，真正嘅語義相關性變得更加關鍵
- 內容結構化嘅重要性提升：如果搜尋排名由 LLM 嘅生成概率決定，清晰、結構化嘅內容會更容易被模型理解同評分
- 實體關聯性更受重視：ARR 嘅自迴歸生成方式更適合建模實體之間嘅關係，內容中嘅實體網絡豐富度可能成為重要信號
- 購物搜尋嘅特殊考量：實驗顯示 ARR 喺購物相關查詢中出現 Top-1 準確度下降，可能影響電商 SEO 策略
對香港企業嘅啟示
ARR 研究傳遞嘅核心信息係：搜尋排名正從「向量匹配」走向「生成式排序」。香港企業應該立即開始提升內容嘅語義質量——唔好再為關鍵字密度煩惱，而係確保每篇文章完整覆蓋一個主題嘅各個面向，用清晰嘅結構化格式（H2、H3、列表、表格）組織資訊，同時建立豐富嘅內部實體關聯。呢啲做好咗，無論 Google 嘅後端排名系統點樣演進，你嘅網站都能保持競爭力。
ARR vs 現有排名系統：技術對比一覽
| 特性 | Dual Encoder | Cross Encoder | ARR |
|---|---|---|---|
| 運算效率 | 高 | 低 | 中等 |
| 表達力上限 | 低（維度瓶頸） | 高 | 高 |
| 查詢-文檔交互 | 淺層 | 深層 | 深層（生成式） |
| 大規模部署 | 可行 | 受限 | 研究中 |
| 理論基礎 | 實證為本 | 實證為本 | 數學證明的表達力上限 |
SEO 準備度檢查清單
為咗應對 Google 可能嘅排名架構變革，香港 SEO 從業者可以提前做好以下準備：
- 檢視內容語義覆蓋：確保每篇文章完整覆蓋一個主題嘅所有重要面向，唔好只 concentrate 喺幾個關鍵字
- 加強結構化：使用清晰嘅標題層級（H2/H3）、列表、表格同 FAQ Schema 組織內容
- 建立實體關聯：喺內容內部連結相關主題文章，使用結構化資料標記實體關係
- 減少噪音內容：移除低質量、重複或 keyword stuffing 內容，ARR 對內容質素嘅敏感度可能更高
- 關注 Google 官方動態：ARR 如果進入生產環境，Google Search Central Blog 會係最早公佈嘅渠道
- 測試多模態內容：ARR 框架理論上可擴展到多模態 ranking，圖片同影片嘅語義標註都值得提前優化
參考來源：Search Engine Journal - Google DeepMind Develops New AI Search Ranking Model、Autoregressive Ranking 研究論文