Según Google Research, las plataformas de búsqueda modernas ya no solo deben ofrecer un solo resultado, sino un conjunto coherente y complementario de opciones. Por ejemplo, una consulta sobre "equipo para campamentos" no debería devolver diez variantes de toldos para cuatro personas, sino una selección equilibrada que incluya elementos esenciales como un toldo, una manta, una estufa portátil y una linterna. Para lograr esta coherencia, los sistemas aplican técnicas de expansión de consulta, que dividen un prompt amplio en múltiples sub-preguntas relacionadas. Sin embargo, entrenar a modelos de lenguaje para realizar esta división dinámica de forma autónoma consume una enorme cantidad de recursos computacionales. Los modelos de lenguaje sin entrenamiento previo, por diseño, se enfocan en predecir texto secuencialmente, sin estar diseñados para navegar estructuras específicas de datos, como las que presentan bases de conocimiento reales. Así, su capacidad para generar conjuntos de resultados que cumplan con propiedades como diversidad, cobertura y complementariedad requiere tiempos de procesamiento prolongados en tiempo de ejecución.
En un estudio presentado en la conferencia ICML 2026, los investigadores de Google proponen una alternativa que reduce significativamente esta limitación. Su enfoque, denominado Retrieve-for-Train, evita que el modelo realice razonamientos complejos en el momento de la búsqueda. En su lugar, se aplica aprendizaje por reforzamiento en fases offline para identificar patrones óptimos de expansión de consulta. Estos patrones se transforman en supervisión para entrenar un modelo de difusión ligero, que luego puede aplicarse directamente en tiempo de ejecución. Este nuevo sistema permite que cada consulta se expanda en una sola pasada, generando una lista de resultados coherentes y bien equilibrada sin necesidad de procesos prolongados. La innovación radica en que el trabajo de “pensamiento” se realiza previamente, fuera del flujo de usuario, y luego se traduce en una capacidad de respuesta rápida y eficiente.
Para el lector peruano, este avance es especialmente relevante en contextos donde el acceso a tecnología de punta es limitado o donde los tiempos de respuesta influyen directamente en la experiencia del usuario. En mercados locales, como el de productos de consumo, la necesidad de ofrecer opciones completas y bien estructuradas —por ejemplo, en búsquedas de ropa para actividades al aire libre o de herramientas para el hogar— puede ser crucial. Este modelo podría ser adaptado a plataformas de comercio electrónico, como las que operan en el mercado peruano, para mejorar la calidad de las recomendaciones sin aumentar el costo operativo. Aunque aún no se ha implementado en entornos comerciales, el principio de pre-entrenamiento de estrategias de búsqueda podría servir como base para desarrollar soluciones más rápidas y precisas, especialmente en sectores donde el tiempo de respuesta afecta directamente la decisión del consumidor.