La actualización central de Google de junio de 2025 acaba de terminar. Lo notable es que, si bien algunos dicen que fue una gran actualización, no se sintió perjudicial, lo que indica que los cambios pueden haber sido más sutiles que el cambio de juego. Aquí hay algunas pistas que pueden explicar lo que sucedió con esta actualización.
Dos avances relacionados con la clasificación de búsqueda
Aunque mucha gente dice que la actualización de junio de 2025 estaba relacionada con Muvera, esa no es realmente toda la historia. Hubo dos anuncios de backend notables en las últimas semanas, MUVERA y el modelo Graph Foundation de Google.
Google muvera
Muvera es un algoritmo de recuperación de codificaciones dimensionales fijas a través de codificaciones dimensionales (FDE) que hace que la recuperación de páginas web sea más precisa y con un mayor grado de eficiencia. La parte notable para SEO es que es capaz de recuperar menos páginas candidatas para la clasificación, dejando atrás las páginas menos relevantes y promoviendo solo las páginas más relevantes.
Esto permite a Google tener toda la precisión de la recuperación de múltiples vectores sin ninguno de los inconvenientes de los sistemas tradicionales de vectores múltiples y con mayor precisión.
El anuncio de muvera de Google explica las mejoras clave:
“Recuerdo mejorado: Muvera supera a la heurística de un solo vector, un enfoque común utilizado en la recuperación de vectores múltiples (que también emplea el cuadro de escocés), logrando un mejor recuerdo al tiempo que recupera significativamente menos documentos candidatos … por ejemplo, FDE recupera 5–20x menos candidatos para lograr un recuerdo fijo.
Además, encontramos que las FDE de Muvera se pueden comprimir de manera efectiva utilizando la cuantización del producto, reduciendo la huella de la memoria en 32 veces con un impacto mínimo en la calidad de la recuperación.
Estos resultados destacan el potencial de Múvera para acelerar significativamente la recuperación de vectores múltiples, por lo que es más práctico para las aplicaciones del mundo real.
… Al reducir la búsqueda de múltiples vectores a MIP de vectores de un solo vector, MUVERA aprovecha las técnicas de búsqueda optimizadas existentes y logra un rendimiento de vanguardia con una eficiencia significativamente mejorada «.
Modelo de Foundation Graph de Google
Un modelo de base Graph (GFM) es un tipo de modelo AI que está diseñado para generalizar en diferentes estructuras gráficas y conjuntos de datos. Está diseñado para ser adaptable de manera similar a cómo los grandes modelos de idiomas pueden generalizar en diferentes dominios en los que no se había entrenado inicialmente.
El GFM de Google clasifica los nodos y los bordes, que podrían incluir plausiblemente documentos, enlaces, usuarios, detección de spam, recomendaciones de productos y cualquier otro tipo de clasificación.
Esto es algo muy nuevo, publicado el 10 de julio, pero ya probado en anuncios para la detección de spam. De hecho, es un avance en el aprendizaje automático gráfico y el desarrollo de modelos de IA que pueden generalizarse en diferentes estructuras y tareas gráficas.
Reemplaza las limitaciones de las redes neuronales gráficas (GNN) que están atados al gráfico en el que fueron entrenados. Los modelos Graph Foundation, como LLMS, no se limitan a lo que fueron entrenados, lo que los hace versátiles para manejar estructuras y dominios de gráficos nuevas o invisibles.
El anuncio de Google de GFM dice que mejora el aprendizaje de disparo cero y de pocos disparos, lo que significa que puede hacer predicciones precisas en diferentes tipos de gráficos sin capacitación adicional específica de tareas (disparo cero), incluso cuando solo hay un pequeño número de ejemplos etiquetados disponibles (pocos disparos).
El anuncio de GFM de Google informó estos resultados:
“Operating at Google scale means processing graphs of billions of nodes and edges where our JAX environment and scalable TPU infrastructure particularly shines. Such data volumes are amenable for training generalist models, so we probed our GFM on several internal classification tasks like spam detection in ads, which involves dozens of large and connected relational tables. Typical tabular baselines, albeit scalable, do not consider connections between rows of different Tablas y, por lo tanto, se pierden el contexto que podría ser útil para predicciones precisas.
Observamos un aumento significativo de rendimiento en comparación con las mejores líneas de base de una sola mesa sintonizada. Dependiendo de la tarea aguas abajo, GFM trae ganancias 3x – 40x en precisión promedio, lo que indica que la estructura de gráficos en las tablas relacionales proporciona una señal crucial para aprovechar los modelos ML «.
¿Qué cambió?
No es irrazonable especular que la integración de muvera y GFM podría permitir que los sistemas de clasificación de Google clasifiquen con mayor precisión contenido relevante al mejorar la recuperación (muvera) y mapear las relaciones entre enlaces o contenido para identificar mejor los patrones asociados con la confiabilidad y la autoridad (GFM).
La integración de MUVERA y GFM permitiría que los sistemas de clasificación de Google a la superficie más precisamente sean contenidos relevantes que los buscadores encontrarían que son satisfactorios.
El anuncio oficial de Google dijo esto:
«Esta es una actualización regular diseñada para mejorar el contenido relevante, satisfactorio para los buscadores de todo tipo de sitios».
Esta actualización en particular no parecía estar acompañada de informes generalizados de cambios masivos. Esta actualización puede encajar en lo que estaba hablando Danny Sullivan de Google en Search Central Live New York, donde dijo que harían cambios en el algoritmo de Google para producir una mayor variedad de contenido de alta calidad.
El vendedor de búsqueda Glenn Gabe tuiteó que vio algunos sitios que habían sido afectados por la «actualización de contenido útil», también conocida como HCU, había regresado a la clasificación, mientras que otros sitios empeoraron.
Aunque dijo que esta fue una gran actualización, la respuesta a sus tweets fue silenciada, no el tipo de respuesta que ocurre cuando hay una interrupción generalizada. Creo que es justo decir que, aunque los datos de Glenn Gabe muestran que fue una gran actualización, puede que no haya sido disruptiva.
Entonces, ¿qué cambió? Creo que especulo, que fue un cambio generalizado el que mejoró la capacidad de Google para mejorar el contenido relevante de la superficie, ayudado por una mejor recuperación y una capacidad mejorada para interpretar patrones de confiabilidad y autoridad, así como para identificar mejor los sitios de baja calidad.
Leer más:
Google muvera
Modelo de Foundation Graph de Google
La actualización de Google en junio de 2025 ha terminado
Imagen destacada de Shutterstock/Kues
