A próxima atualização do Google não afetará o índice e ninguém a anunciará

A versão viral da última postagem de pesquisa do Google diz que o modelo se torna mais inteligente, e a própria postagem diz algo mais útil para qualquer pessoa cujo trabalho depende do que o Google lembra sobre sua empresa. Em 27 de outubro, Ali Behrouz e Vahab Mirrokni, do Google Research, publicaram a estrutura do sono, um método que dá a um modelo de linguagem uma fase off-line programada na qual ele move o que captou durante o uso para seus pesos de longo prazo e, em seguida, ensaia os dados que gera para si mesmo. O enquadramento viral está errado de uma forma específica: o post afirma que o método opera dentro de uma arquitetura fixa sob regras de treinamento definidas por humanos, então nada se modifica sem supervisão. O que falta nesse enquadramento é a parte que importa aqui. Se esse projeto for implementado, o conhecimento contido nos modelos do Google deixará de ser congelado em um ponto de corte e começará a ser atualizado em um ciclo que ninguém fora do Google verá.
Em março, argumentei que o corte dos dados de treinamento havia se tornado um fator de classificação, porque o conteúdo nos dois lados do corte reside em sistemas diferentes com comportamento de confiança diferente, e sugeri cronometrar reivindicações importantes para chegar antes das principais execuções de treinamento. Esse conselho presumia que o limite era uma parede com uma data. Este artigo descreve um muro que se move de acordo com seu próprio cronograma, sem data, e a maneira correta de lê-lo é como a próxima forma de atualização do Google: uma que muda o que o modelo acredita, em vez de como o índice é classificado, e que chega sem anúncio porque não há evento para anunciar.
O que o Google realmente publicou
A postagem descreve um ciclo de vida de duas fases. Durante a fase de vigília, o modelo recebe informações e retém novas informações em componentes rápidos de memória de curto prazo, que é aproximadamente o que o contexto faz hoje. Durante uma fase de sono, ele para de receber informações e executa dois estágios. O primeiro é a consolidação. O modelo desbloqueia novos especialistas de baixo escalão, anteriormente inativos, dentro de um layout de mistura de especialistas, atribui-lhes blocos de memória de atualização mais lenta e destila os traços de curto prazo neles por meio de um processo que os autores chamam de semeadura de conhecimentoo que, em termos simples, significa que os novos fatos obtêm seus próprios parâmetros novos, em vez de serem escritos sobre os antigos. Em seguida, os parâmetros temporários são redefinidos para que a capacidade possa ser reutilizada. A segunda etapa é o que os autores chamam de sonho. O modelo gera amostras sintéticas roteando aleatoriamente seus especialistas para que o conhecimento de diferentes domínios se misture, filtre essas amostras com um método de seleção baseado em gradiente e ajuste aquelas que sobrevivem.
Os resultados relatados vêm de quatro configurações: tradução sequencial para idiomas que o modelo nunca tinha visto, onde o ajuste fino padrão e as abordagens contextualizadas esqueceram os idiomas anteriores, e o modelo de sono manteve uma queda de desempenho quase zero; recall em um benchmark de longo contexto de até dez milhões de tokens; incorporação de conhecimento factual a partir de passagens de documentos, onde o modelo de sono superou o ajuste fino supervisionado e um método prévio de autoedição; e raciocínio matemático em um modelo básico aberto de 8 bilhões de parâmetros. O artigo subjacente está no arXiv desde junho e no OpenReview desde setembro de 2025, então a postagem do blog mostra o Google decidindo dizer isso em voz alta, e não o Google descobrindo.
Este não é um caso isolado. Os mesmos autores publicaram Nested Learning em novembro de 2025 com a arquitetura Hope e a ideia de um sistema de memória contínua, uma cadeia de blocos de memória que se atualizam em diferentes frequências, com os blocos rápidos contendo informações de curto prazo e os blocos lentos contendo conhecimento durável. A estrutura do sono é o que você constrói quando tem blocos que são atualizados em taxas diferentes: um cronograma para mover informações dos mais rápidos para os mais lentos. Os Titãs vieram antes da Esperança, a Esperança veio antes do sono, e o arco agora dura cerca de dois anos. O artigo de classificação autoregressiva que abordei em setembro fechou um período de cinco anos sobre como os resultados são ordenados. Este é mais jovem e igualmente deliberado.
O que não é e a parte que todos ignoram
É uma pesquisa, não um produto. A postagem não faz nenhuma declaração sobre implantação, cronogramas ou quais modelos do Google podem usá-la. Os experimentos são executados em modelos Qwen abertos com 1,7 e 8 bilhões de parâmetros, não no Gemini. Nenhum custo de computação é relatado para um ciclo de suspensão e ninguém fora da equipe replicou os resultados. Nos experimentos, os novos fatos chegam como documentos, não como conversas de usuários ou páginas da web rastreadas, portanto, qualquer pessoa que afirme que o modelo aprende com seus bate-papos está extrapolando além do papel.
Essas advertências são reais e não mudam as coisas. O Google publica arcos de pesquisa e depois envia partes deles, e esse padrão se manteve com frequência suficiente para que a questão do profissional não seja se esse método exato funciona, mas o que o design lhe diz sobre a direção. A direção é um modelo cuja memória de longo prazo é reescrita em um ciclo.
As atualizações já foram silenciosas uma vez
Qualquer pessoa que tenha feito esse trabalho por mais de alguns anos viveu a primeira versão dessa mudança. O Google diz que atualiza a Pesquisa milhares de vezes por ano e compartilha apenas aquelas que considera notáveis, e em uma entrevista de 2022 Danny Sullivan colocou os experimentos e testes de qualidade do ano anterior acima de 800 mil. As atualizações principais nomeadas são as poucas que recebem uma entrada no painel. Todo o resto ocorre de forma contínua e silenciosa, e a indústria se adaptou construindo um ritual de diagnóstico em torno dos poucos mencionados: o tráfego se move, você verifica a data em relação aos rastreadores de atualização e a atribuição segue.
A recuperação já seguiu o mesmo caminho para o frescor. As visões gerais da IA e as respostas fundamentadas puxam novas páginas diariamente sem nada anunciado, portanto, afirmar que o silêncio é novo seria errado. O que muda na estrutura do sono é qual camada fica silenciosa. A recuperação altera o que o modelo pode procurar. A consolidação muda aquilo que o modelo acredita sem procurar nada. Essas são coisas diferentes para uma marca. Um fato recuperado é citado, protegido e substituído na próxima vez que a página for buscada. Um fato consolidado é falado com a confiança de algo que o modelo sabe, e o artigo de março abordou por que essa diferença de confiança molda a forma como uma marca aparece em uma resposta.
Assim, a forma que os praticantes já conhecem, anuncia atualizações básicas no exterior e ajustes não anunciados entre eles, obtém uma segunda cópia uma camada abaixo: versões de modelos anunciadas no exterior, consolidação não anunciada acumulando-se entre eles. A pilha de classificação não desaparece e isso não a substitui. Fica em cima dela, no modelo que escreve a resposta.
Ser aprendido torna-se o novo ser indexado
O detalhe do post ao qual sempre volto é que a consolidação é seletiva. Os autores dizem que o modelo não é solicitado a copiar todos os detalhes de seus traços de curto prazo para seus parâmetros, e o estágio de sonho pontua suas próprias amostras com um filtro baseado em gradiente antes de qualquer coisa ser treinada. Essa é uma função de classificação. Ele decide quais fatos o modelo transportará como conhecimento durável e quais deixará expirar com os parâmetros temporários. Ser visto durante a vigília não é algo aprendido. Ser aprendido é o que costumava significar ser indexado, e o que decide isso é um cálculo de perda que ninguém fora do Google pode inspecionar.
Seguem-se três consequências, e as duas primeiras são a minha inferência a partir do design, e não as afirmações feitas pelo artigo.
Primeiro, o filtro favorecerá fatos consistentes entre as fontes. Um método de seleção baseado em gradiente mantém amostras que reduzem amplamente o erro, e um fato que concorda com tudo o mais que o modelo viu reduz o erro de forma mais confiável do que aquele que contradiz a página de um concorrente, uma listagem de diretório desatualizada ou seu próprio conteúdo mais antigo. Versões conflitantes da sua empresa não são mais apenas um risco de fusão no momento da recuperação, que abordei quando os tribunais alemães começaram a responsabilizar a plataforma por respostas falsas, mas um risco de consolidação, porque a versão que é aprendida é a que melhor se adapta, e não a que você prefere.
Em segundo lugar, sonhar significa que o modelo ensaia com base em dados que você nunca publicou. As amostras sintéticas são geradas pela mistura de especialistas em vários domínios, de modo que a representação de uma empresa no modelo possa mudar durante o ensaio, sem novas contribuições de ninguém. Nenhum concorrente foi movido, nenhuma página foi alterada, nenhuma atualização foi executada e a resposta sobre você é diferente de qualquer maneira. Este é um mecanismo candidato para uma pergunta que me fizeram repetidamente este ano, e é por isso que uma resposta mudou quando nada observável mudou.
Terceiro, e este fica diretamente no desenho do papel, há uma janela. Entre um fato que entra na memória rápida e a próxima consolidação, uma correção é barata porque nada durável foi escrito ainda. Após a consolidação, consertar um fato falso não é mais uma questão de atualizar uma página e esperar por um novo rastreamento. É desaprender, e remover um facto específico dos pesos de um modelo sem danificar o resto continua a ser um problema de investigação em aberto. O termo que eu usaria é o janela de consolidaçãoo período em que um fato errado ainda pode ser detectado antes que o modelo o cometa, e a propriedade desconfortável da janela é que seu comprimento e tempo são desconhecidos para você.
O que provaria que estou errado
Se nenhum anúncio de marca do Google dentro de aproximadamente 18 meses fizer referência a atualizações periódicas entre lançamentos, aprendizado contínuo em produção ou qualquer coisa que se assemelhe a um ciclo de consolidação, isso continuará sendo uma direção de pesquisa e o corte permanecerá um muro. Se o custo computacional de um ciclo de sono for comparável ao de uma corrida de treinamento, a economia mata a ideia da cadência, mesmo que o método funcione. E se o Google decidir publicar eventos de consolidação da mesma forma que publica atualizações principais, o argumento do silêncio falha e o ritual de diagnóstico sobrevive com uma nova linha no painel. Penso que a terceira é a menos provável das três, porque a Google nunca publicou as suas alterações anónimas e disse claramente que não pretende fazê-lo.
O que fazer agora
A resposta útil é parar de construir processos em torno de um evento que pode deixar de existir.
- Audite o que já é paramétrico, por plataforma. Sonde cada assistente com perguntas que não acionarão a recuperação e registre o que ele afirma sobre sua empresa apenas de memória. Esse inventário é o banco de ensaio, e os fatos falsos nele contidos são os que têm maior probabilidade de serem reforçados em vez de corrigidos.
- Publique páginas de fatos canônicos. Os novos conhecimentos do papel chegam na forma de documentos. Uma página autocontida, datada e declarativa por conjunto de fatos da entidade, sem nenhuma linguagem de marketing no caminho, é o formato a partir do qual uma etapa de consolidação pode semear de forma limpa.
- Resolva contradições em suas próprias propriedades e nos diretórios que descrevem você. Se a seleção favorece a versão consistente, a tarefa é tornar a versão correta a consistente.
- Corrija erros conhecidos na origem agora, enquanto o único mecanismo que poderia prendê-los ainda é um papel. Em seguida, teste novamente para confirmar se a resposta realmente mudou, porque uma página corrigida e uma resposta corrigida são eventos diferentes.
- Substitua a análise forense de eventos pelo monitoramento de tendências. Se as atualizações de conhecimento chegam continuamente, a questão deixa de ser qual atualização causou isso e passa a ser quando a deriva começou e quais fatos se moveram. Isso requer amostragem de respostas em um cronograma e comparação ao longo do tempo, que é a razão pela qual o CitationIQ existe, e é a disciplina de medição que esse design exige, independentemente de você usar ou não uma ferramenta específica.
- Retire a data limite como um campo estático em seus relatórios. Em vez disso, rastreie evidências de atualização por plataforma: notas de lançamento, comportamento de base e o desvio de resposta que você mesmo mede.
- Fique atento para saber. Qualquer linguagem Gemini ou Vertex sobre modelos que continuam aprendendo, atualizando entre versões ou aprendendo com os documentos da sua organização é a primeira peça enviada deste design e chegará descrita como um recurso, não como uma atualização.
O calendário consciente dos limites que sugeri em março ainda se aplica aos próximos grandes treinos, porque eles continuarão acontecendo. O que muda é a meia-vida da palavra paramétrico. A suposição mais segura é que o que o modelo sabe sobre você está sendo revisado de acordo com um cronograma que você não pode ver, por um filtro que você não pode inspecionar, e que o único observável é a própria resposta.
Mais recursos:
Esta postagem foi publicada originalmente em Duane Forrester Decodes.
Imagem em destaque: Krakenimages.com/Shutterstock






