Малые языковые модели — это модели ИИ с гораздо меньшим количеством параметров, чем у передовых систем, обычно от менее одного миллиарда до нескольких миллиардов, разработанные для работы на телефонах, ноутбуках, браузерах или недорогих серверах. Примеры включают Gemma и Gemini Nano от Google, семейство Phi от Microsoft, более мелкие модели Llama от Meta и компактные модели от Mistral. Для SEO они важны, потому что они приближают резюме и ответы к пользователю и вознаграждают контент, который является кратким, ясным и легко извлекаемым.
Что считается малой языковой моделью?
Строгой границы нет, но идея практична: модель достаточно мала, чтобы работать без дата-центра. Модели Phi от Microsoft показали, что тщательные данные для обучения могут дать малым моделям удивительно хорошие способности к рассуждению для их размера. Google выпустил открытые модели Gemma вместе с Gemini Nano на устройстве. Meta, Mistral, команда Qwen от Alibaba и другие публикуют компактные версии, которые разработчики могут запускать локально.
Эти модели жертвуют широтой ради скорости и стоимости. Они знают меньше о мире, чем большие модели, обрабатывают более короткий контекст и совершают больше ошибок в сложных рассуждениях. Они хороши в узких задачах, таких как обобщение, классификация, переписывание и извлечение информации из предоставленного им текста.
Где малые модели встречаются с пользователями поиска?
Большинство людей никогда не выбирают малую модель напрямую. Они сталкиваются с ней внутри продуктов. Три места важны для органической видимости.
- Браузеры: Chrome тестирует встроенные API ИИ, работающие на модели класса Nano, позволяя сайтам и расширениям локально обобщать или переводить страницы. Microsoft Edge проводил аналогичные эксперименты с моделями Phi.
- Телефоны: Gemini Nano на Android и модели Apple на устройстве обобщают уведомления, веб-страницы и сообщения.
- Поиск по сайту и чат: многие компании используют малые модели для своих собственных полей поиска и ботов поддержки, потому что их дешевле запускать в масштабе.
В каждом случае модель читает вашу страницу и создает более короткую версию для пользователя. Вопрос для SEO заключается в том, что выживает после этого сжатия.
Меняет ли это то, как Google ранжирует страницы?
Не напрямую. Системы ранжирования Google и его функции ИИ, такие как AI Overviews и AI Mode, работают на собственной инфраструктуре Google с большими моделями Gemini. Малые модели на устройстве пользователя не решают, где вы ранжируетесь.
Меняется то, что происходит после клика, а иногда и вместо него. Пользователь может открыть вашу статью и немедленно попросить браузер сделать резюме. Если ваш ключевой момент погребен под тремя абзацами введения, малая модель с ограниченным контекстом может упустить его или обобщить не ту часть. Посещение учитывается в аналитике, но ваше сообщение не доходит.
Как должен адаптироваться контент?
Хорошая новость заключается в том, что те же практики, которые помогают большим системам ИИ и человеческим читателям, также помогают малым моделям. Им нужны еще более четкие сигналы, потому что у них меньше возможностей для вывода.
- Поставьте прямой ответ на первое место: открывайте каждую страницу и каждый раздел главным пунктом в одном или двух предложениях.
- Используйте описательные заголовки: заголовок вроде «Сколько времени занимает настройка?» точно говорит модели, на что отвечает следующий абзац.
- Держите абзацы в рамках одной идеи, чтобы резюме могло выбрать правильную.
- Излагайте факты ясно с единицами измерения: «Доставка занимает от 2 до 4 рабочих дней в Турции» легче извлечь, чем «молниеносная доставка».
- Используйте реальные списки и таблицы в HTML, а не изображения таблиц.
- Избегайте размещения ключевой информации только в изображениях, аккордеонах, которые загружаются поздно, или скриптах.
Структурированные данные по-прежнему важны
Разметка схемы, такая как Product, FAQPage, Article и Organization, дает машинам чистое описание страницы. Малые модели, встроенные в инструменты, могут не читать JSON-LD напрямую, но системы вокруг них часто это делают. Это также сохраняет ваши страницы подходящими для расширенных результатов Google, которые остаются видимой частью поиска.
Почему скорость страницы и чистый HTML важнее
Локальные модели читают страницу, которая загружается в браузере. Тяжелые страницы с большими скриптами, всплывающими окнами и контентом, внедряемым поздно, делают извлечение более трудным и медленным. Чистая структура HTML, с основным контентом внутри элемента article и шаблонным кодом в элементах header, nav и footer, помогает любому читателю отделить контент от хрома.
Скорость также важна для пользователей. Пороговые значения Core Web Vitals от Google, такие как Largest Contentful Paint менее 2,5 секунд, остаются хорошими целями. Быстрая страница с большей вероятностью будет прочитана полностью как людьми, так и машинами.
Что насчет контента, созданного с помощью малых моделей?
Некоторые команды используют малые, дешевые модели для генерации контента в масштабе. Это рискованно для SEO. Политики Google в отношении спама нацелены на злоупотребление масштабируемым контентом, что означает, что многие страницы, созданные в основном для манипулирования ранжированием с малой ценностью для пользователей, независимо от того, какой инструмент их создал, являются проблемными. Малые модели также совершают больше фактических ошибок, чем большие, поэтому текст, массово произведенный ими, обычно требует серьезного редактирования.
Их лучше использовать для вспомогательных задач: тегирования и классификации существующих статей, генерации черновиков мета-описаний для проверки, кластеризации ключевых слов или проверки страниц на наличие отсутствующих разделов.
Малые модели также меняют поиск по сайту. Когда ритейлер заменяет свое поле поиска по ключевым словам на модель, которая интерпретирует вопросы, применяются те же правила в меньшем масштабе: четкие атрибуты продукта, последовательное именование и описательные страницы категорий помогают модели соответствовать тому, что вводят покупатели.
Как Alien Road применяет малые языковые модели в SEO
В типичном проекте наша команда SEO начинает с аудита извлекаемости. Мы берем выборку ключевых страниц клиента и прогоняем их через локальное обобщение, используя малую открытую модель и функции браузера, где это доступно, затем сравниваем резюме с сообщением, которое страница должна донести.
Настройка следует за пробелами, которые мы находим: переписывание вступлений, чтобы ответ шел первым, добавление заголовков в стиле вопросов, перемещение фактов из изображений и исправление структуры HTML. Мы также используем малые модели внутри компании для задач классификации, таких как группировка тысяч записей в блоге по темам для планирования внутренних ссылок.
Измерение охватывает органический трафик и вовлеченность в Search Console и аналитике, плюс повторение теста резюме после изменений. Отчетность показывает, какие страницы теперь обобщаются правильно и как изменилась их поисковая эффективность.
С чего начать на этой неделе
Возьмите свои пять самых посещаемых статей и попросите малую модель, например Gemma, работающую локально, или функцию обобщения браузера, обобщить каждую в двух предложениях. Сравните каждое резюме с тем одним пунктом, который вы хотите, чтобы читатели запомнили. Там, где они различаются, перепишите первый абзац так, чтобы главный пункт был изложен ясно, затем запустите тест снова.
Продолжайте читать: ИИ-оптимизация · ИИ-оптимизация