Google Discover оценивает вас. Не ваш контент. Не вашу последнюю статью. Вас как издателя. Оценка истории взаимодействия с вашим сайтом от 0 до 1 в профиле каждого пользователя. И эта оценка меняется с каждым кликом.

Discover — это не лотерея.
Google использует двойную систему оценки в профиле каждого пользователя:
1) оценка за каждую тему (каждая сущность в Графе знаний: человек, место, концепция, событие и пр.)
2) оценка по каждому издателю

Ваша статья появится в ленте, если в конкретный момент времени оба показателя в этом профиле будут достаточно высокими.
Иными словами, вы конкурируете не со всем интернетом. Вы конкурируете внутри каждого профиля пользователя, с издателями, чьи материалы этот пользователь уже читает по данной теме.

Каждый клик приносит вам пользу. Каждый не-клик обходится вам дорого.
Нишевые сайты показывают лучшие результаты в разделе Discover, чем сайты общего профиля.
Универсальный издатель, распыляющий свои ресурсы, не получает сильного рейтинга нигде.

Что действительно важно:
- тематическая согласованность
- качество заголовка и изображения
- регулярная публикация
- релевантность: статья, которую увидели, но не кликнули, может быть хуже, чем отсутствие статьи вообще
- специализация > универсальность

Векторное квантование — это мощный классический метод сжатия данных, уменьшающий размер многомерных векторов. Эта оптимизация решает две критически важные задачи ИИ: она улучшает векторный поиск — высокоскоростную технологию, лежащую в основе крупномасштабных систем ИИ и поисковых систем, — обеспечивая более быстрый поиск сходства; и помогает разгрузить узкие места кэша «ключ-значение», уменьшая размер пар «ключ-значение», что позволяет ускорить поиск сходства и снизить затраты памяти.

TurboQuant — алгоритм сжатия, оптимально решающий проблему избыточных затрат памяти при векторном квантовании.

Это может иметь серьезные последствия для всех сценариев использования, зависящих от сжатия, особенно в областях поиска и ИИ. Это делает семантический поиск в масштабах Google быстрее и эффективнее. По мере того, как ИИ все больше интегрируется во все продукты, от LLM до семантического поиска, работа над фундаментальными методами векторного квантования станет более важной, чем когда-либо.

Отслеживание промптов. Дашборды видимости в LLM. Показатели доли упоминаний в ответах. Менее чем за 18 месяцев появилась целая категория поставщиков, предлагающих вам показатель, который показывает, как часто ваш бренд появляется в ответах, сгенерированных ИИ. Это Search Console для эпохи чат-ботов, и он несет в себе тот же утешительный посыл: если показатель растет, вы в выигрыше. Если он падает, покупайте больше того, что способствует его росту.

Я уже писал об этом раньше, и снова скажу прямо: эти инструменты продают вам чушь с нарисованным на ней карандашом доверительным интервалом. Когда дашборд сообщает, что ваш бренд «появился в 73% релевантных ответов ИИ», на самом деле он измеряет следующее: «мы отправили несколько запросов к API, получили несколько результатов и подсчитали упоминания». Это не ранжирование. Это лотерейный билет.

Инженеры, создавшие эти модели, не могут полностью объяснить, почему появился тот или иной результат. Но, безусловно, SaaS-инструмент, расположенный на вершине горы Даннинга-Крюгера с линией тренда, всё это прекрасно понимает.

Отрасль продолжает покупать, потому что альтернатива — признать, что мы действуем вслепую. Ставить под сомнение данные означает заявлять всем, что «направленные» графики в презентации для клиентов — это шум, замаскированный под ценную информацию. Никто не хочет быть таким человеком. Поэтому поставщики продолжают продавать, дашборды продолжают мелькать, и цифры не обязательно должны коррелировать с доходом. Им достаточно просто достаточно колебаться, чтобы поддерживать подписку.

"Поиск Google не требует обязательного размещения метатега robots в разделе <head> HTML-кода и учитывает метатеги robots также и в разделе <body> HTML-документа."

Google-Agent используется агентами, размещенными на инфраструктуре Google, для навигации в интернете и выполнения действий по запросу пользователя (например, Project Mariner). Агент Google-Agent использует диапазоны IP-адресов из объекта user-triggered-agents.json

Это только начало. Агенты будут делать гораздо больше, чем просто просматривать веб-страницы, как люди.

Лиз Рид описывает сеть, в которой большую часть поиска информации осуществляют агенты.
Переход от веб-пространства, ориентированного на человека, к веб-пространству, ориентированному на агента, может показаться пугающим, если полагаться исключительно на традиционные ключевые слова.
В действительности же это самая большая возможность, которую мы видели со времен изобретения самой поисковой системы. WebMCP и UCP означают, что мы больше не просто оптимизируем для кликов; мы оптимизируем для прямых действий, беспрепятственной торговли и автоматизированной генерации лидов.

Те, кто понимает, как эти агенты взаимодействуют с бэкэнд-системами, увидят уровень эффективности и охвата, недостижимый для обычного просмотра. Партнерство между издателями и Гуглом определенно изменилось, но будущее, которое мы можем построить на основе этого агентного веб-пространства, невероятно светлое.

Это расширение стало возможным благодаря нашей новой аудио- и голосовой модели Gemini 3.1 Flash Live , которая обеспечивает еще более естественное и интуитивно понятное общение. Новая модель также изначально многоязычна, а это значит, что люди по всему миру теперь могут общаться с Поиском на предпочитаемом ими языке.