{"id":131422,"date":"2026-09-28T17:06:34","date_gmt":"2026-09-28T15:06:34","guid":{"rendered":"https:\/\/quondos.com\/mag\/?p=131422"},"modified":"2026-09-28T17:06:35","modified_gmt":"2026-09-28T15:06:35","slug":"google-presenta-r4t-diffusion-un-nuevo-sistema-para-generar-consultas-de-busqueda-mas-rapido-y-con-menor-coste","status":"publish","type":"post","link":"https:\/\/quondos.com\/mag\/google-presenta-r4t-diffusion-un-nuevo-sistema-para-generar-consultas-de-busqueda-mas-rapido-y-con-menor-coste\/","title":{"rendered":"Google presenta R4T-Diffusion, un nuevo sistema para generar consultas de b\u00fasqueda m\u00e1s r\u00e1pido y con menor coste"},"content":{"rendered":"\n<figure class=\"wp-block-image size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"596\" height=\"335\" src=\"https:\/\/quondos.com\/mag\/wp-content\/uploads\/2026\/09\/image-38.png\" alt=\"\" class=\"wp-image-131423\" title=\"\" srcset=\"https:\/\/quondos.com\/mag\/wp-content\/uploads\/2026\/09\/image-38.png 596w, https:\/\/quondos.com\/mag\/wp-content\/uploads\/2026\/09\/image-38-300x169.png 300w\" sizes=\"auto, (max-width: 596px) 100vw, 596px\" \/><\/figure>\n\n\n\n<p>Google ha presentado <strong>R4T-Diffusion<\/strong>, un nuevo framework dise\u00f1ado para generar query fan-outs de mayor calidad con menos coste computacional y menor latencia. La tecnolog\u00eda busca resolver uno de los problemas asociados a las nuevas experiencias de b\u00fasqueda basadas en inteligencia artificial: la necesidad de transformar una consulta amplia del usuario en m\u00faltiples b\u00fasquedas m\u00e1s espec\u00edficas que permitan recuperar informaci\u00f3n relevante.<\/p>\n\n<p>El sistema, denominado <strong>Retrieve-for-Train-Diffusion<\/strong>, combina aprendizaje por refuerzo, generaci\u00f3n de datos sint\u00e9ticos y un modelo de difusi\u00f3n generativo de tama\u00f1o reducido. Seg\u00fan la informaci\u00f3n publicada por Search Engine Journal a partir del anuncio de Google y del trabajo de investigaci\u00f3n asociado, el modelo cuenta con <strong>53,9 millones de par\u00e1metros<\/strong>.<\/p>\n\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_76 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">\u00cdndice de contenidos<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Alternar tabla de contenidos\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/quondos.com\/mag\/google-presenta-r4t-diffusion-un-nuevo-sistema-para-generar-consultas-de-busqueda-mas-rapido-y-con-menor-coste\/#Que_es_el_query_fan-out_y_por_que_importa\" >Qu\u00e9 es el query fan-out y por qu\u00e9 importa<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/quondos.com\/mag\/google-presenta-r4t-diffusion-un-nuevo-sistema-para-generar-consultas-de-busqueda-mas-rapido-y-con-menor-coste\/#Google_entrena_un_modelo_pequeno_con_el_comportamiento_de_otro_mayor\" >Google entrena un modelo peque\u00f1o con el comportamiento de otro mayor<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/quondos.com\/mag\/google-presenta-r4t-diffusion-un-nuevo-sistema-para-generar-consultas-de-busqueda-mas-rapido-y-con-menor-coste\/#Tres_criterios_para_mejorar_las_consultas_generadas\" >Tres criterios para mejorar las consultas generadas<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/quondos.com\/mag\/google-presenta-r4t-diffusion-un-nuevo-sistema-para-generar-consultas-de-busqueda-mas-rapido-y-con-menor-coste\/#R4T-Diffusion_busca_reducir_drasticamente_la_latencia\" >R4T-Diffusion busca reducir dr\u00e1sticamente la latencia<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/quondos.com\/mag\/google-presenta-r4t-diffusion-un-nuevo-sistema-para-generar-consultas-de-busqueda-mas-rapido-y-con-menor-coste\/#El_framework_puede_utilizarse_tambien_fuera_de_la_busqueda\" >El framework puede utilizarse tambi\u00e9n fuera de la b\u00fasqueda<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/quondos.com\/mag\/google-presenta-r4t-diffusion-un-nuevo-sistema-para-generar-consultas-de-busqueda-mas-rapido-y-con-menor-coste\/#Google_todavia_no_confirma_que_R4T_ya_este_integrado_en_Search\" >Google todav\u00eda no confirma que R4T ya est\u00e9 integrado en Search<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Que_es_el_query_fan-out_y_por_que_importa\"><\/span>Qu\u00e9 es el query fan-out y por qu\u00e9 importa<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n<p>El concepto de <strong>query fan-out<\/strong> hace referencia a la generaci\u00f3n de m\u00faltiples consultas a partir de una petici\u00f3n original. En lugar de intentar responder directamente a una pregunta amplia, un sistema puede dividirla en diferentes b\u00fasquedas relacionadas para obtener informaci\u00f3n desde distintos \u00e1ngulos.<\/p>\n\n<p>Esta t\u00e9cnica puede resultar especialmente \u00fatil para los sistemas de b\u00fasqueda basados en IA, ya que una consulta compleja puede requerir informaci\u00f3n procedente de diferentes fuentes o conjuntos de datos. El problema es que generar muchas consultas mediante modelos grandes puede aumentar considerablemente el <strong>tiempo de respuesta y el coste computacional<\/strong>.<\/p>\n\n<p>R4T-Diffusion intenta solucionar ese problema mediante un modelo mucho m\u00e1s peque\u00f1o que aprende a reproducir determinados comportamientos de modelos de mayor tama\u00f1o. Google utiliza para ello una estrategia de <strong>destilaci\u00f3n de conocimiento<\/strong>.<\/p>\n\n<h2><span class=\"ez-toc-section\" id=\"Google_entrena_un_modelo_pequeno_con_el_comportamiento_de_otro_mayor\"><\/span>Google entrena un modelo peque\u00f1o con el comportamiento de otro mayor<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n<p>El proceso comienza entrenando un modelo para aprender c\u00f3mo generar query fan-outs de alta calidad. El sistema produce ejemplos de diferentes resultados y conserva aquellos que cumplen determinados criterios. Posteriormente, esos ejemplos se utilizan para entrenar el modelo de difusi\u00f3n de <strong>53,9 millones de par\u00e1metros<\/strong>.<\/p>\n\n<p>La idea es trasladar parte del comportamiento aprendido por un sistema computacionalmente m\u00e1s costoso a un modelo m\u00e1s peque\u00f1o. De esta manera, el modelo final puede realizar la tarea sin necesitar el mismo nivel de recursos durante la fase de inferencia.<\/p>\n\n<p>Google explica que el nuevo sistema est\u00e1 optimizado para generar consultas que mantengan una relaci\u00f3n clara con la petici\u00f3n original. Al mismo tiempo, intenta evitar que todas las consultas generadas sean simplemente <strong>sin\u00f3nimos redundantes<\/strong> de la pregunta inicial.<\/p>\n\n<h2><span class=\"ez-toc-section\" id=\"Tres_criterios_para_mejorar_las_consultas_generadas\"><\/span>Tres criterios para mejorar las consultas generadas<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n<p>El entrenamiento de R4T utiliza una combinaci\u00f3n de tres objetivos. El primero es la <strong>groundedness<\/strong>, que busca garantizar que las subconsultas generadas correspondan con elementos que puedan recuperarse realmente de la base de datos.<\/p>\n\n<p>El segundo criterio es la <strong>diversidad<\/strong>. Google utiliza una m\u00e9trica denominada Vendi Score para favorecer conjuntos de subconsultas con amplitud sem\u00e1ntica. La intenci\u00f3n es evitar que el sistema genere muchas consultas pr\u00e1cticamente id\u00e9nticas y conseguir que explore diferentes partes del espacio de informaci\u00f3n.<\/p>\n\n<p>El tercer elemento es el <strong>alignment<\/strong>, que mantiene las subconsultas vinculadas a la intenci\u00f3n de la petici\u00f3n original. De esta forma, el sistema intenta conseguir diversidad sin alejarse demasiado del significado de la consulta inicial.<\/p>\n\n<h2><span class=\"ez-toc-section\" id=\"R4T-Diffusion_busca_reducir_drasticamente_la_latencia\"><\/span>R4T-Diffusion busca reducir dr\u00e1sticamente la latencia<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n<p>Uno de los principales argumentos de Google para este nuevo sistema es la velocidad. La compa\u00f1\u00eda asegura que el modelo de difusi\u00f3n puede generar todas las direcciones objetivo en un \u00fanico proceso paralelo no autoregresivo dentro del espacio continuo de embeddings.<\/p>\n\n<p>Seg\u00fan los datos publicados por Google, este enfoque proporciona una mejora de entre <strong>12 y 20 veces en velocidad<\/strong> frente a determinados m\u00e9todos autoregresivos. En escenarios de grandes lotes de contexto, Google explica que la latencia de los m\u00e9todos anteriores pod\u00eda acercarse a los 50 segundos.<\/p>\n\n<p>R4T-Diffusion, en cambio, se mantiene entre <strong>menos de un segundo y unos pocos segundos<\/strong> en las condiciones descritas por Google. La compa\u00f1\u00eda utiliza estos resultados para presentar el framework como una soluci\u00f3n preparada para aplicaciones de b\u00fasqueda a gran escala.<\/p>\n\n<p>El objetivo no es \u00fanicamente reducir el tiempo de respuesta. La reducci\u00f3n del coste computacional tambi\u00e9n puede facilitar que los sistemas generen <strong>m\u00e1s consultas secundarias por cada petici\u00f3n<\/strong> sin que el proceso se vuelva demasiado caro.<\/p>\n\n<h2><span class=\"ez-toc-section\" id=\"El_framework_puede_utilizarse_tambien_fuera_de_la_busqueda\"><\/span>El framework puede utilizarse tambi\u00e9n fuera de la b\u00fasqueda<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n<p>Aunque el query fan-out es la aplicaci\u00f3n m\u00e1s evidente, los investigadores se\u00f1alan que R4T puede utilizarse en otros sistemas que necesiten recuperar informaci\u00f3n de diferentes formas. Entre las posibilidades citadas aparecen los <strong>sistemas de recomendaci\u00f3n<\/strong>, el creative search y otros escenarios de acceso exploratorio a informaci\u00f3n.<\/p>\n\n<p>Esto resulta relevante porque los sistemas de recomendaci\u00f3n tambi\u00e9n necesitan generar y seleccionar diferentes direcciones posibles. La investigaci\u00f3n menciona aplicaciones como <strong>Google Discover y las recomendaciones de YouTube<\/strong> como ejemplos del tipo de sistemas que pueden beneficiarse de t\u00e9cnicas de recuperaci\u00f3n m\u00e1s diversas.<\/p>\n\n<p>Los investigadores tambi\u00e9n se\u00f1alan que el framework podr\u00eda extenderse a tareas como <strong>planificaci\u00f3n y generaci\u00f3n creativa<\/strong>. La caracter\u00edstica com\u00fan es la necesidad de producir diferentes posibilidades manteniendo determinados criterios de relevancia, cobertura y diversidad.<\/p>\n\n<h2><span class=\"ez-toc-section\" id=\"Google_todavia_no_confirma_que_R4T_ya_este_integrado_en_Search\"><\/span>Google todav\u00eda no confirma que R4T ya est\u00e9 integrado en Search<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n<p>Uno de los aspectos que permanece abierto es si <strong>R4T-Diffusion ya est\u00e1 desplegado en el buscador de Google<\/strong>. Search Engine Journal se\u00f1ala que el anuncio describe el sistema como preparado para producci\u00f3n, pero eso no equivale necesariamente a confirmar su utilizaci\u00f3n dentro del buscador p\u00fablico.<\/p>\n\n<p>La publicaci\u00f3n tambi\u00e9n recoge observaciones de profesionales del sector que han detectado cambios en tr\u00e1fico o en el n\u00famero de enlaces mostrados en determinadas experiencias de IA. Sin embargo, esas observaciones <strong>no permiten demostrar que R4T-Diffusion sea la causa<\/strong> de esos cambios.<\/p>\n\n<p>Adem\u00e1s, los propios investigadores introducen advertencias sobre el uso del sistema en contextos sensibles. La investigaci\u00f3n se\u00f1ala la necesidad de realizar <strong>auditor\u00edas de sesgos espec\u00edficas por dominio, dise\u00f1o inclusivo y mecanismos de supervisi\u00f3n<\/strong>. El framework se presenta as\u00ed como una herramienta de recuperaci\u00f3n escalable, pero no como sustituto de la supervisi\u00f3n humana.<\/p>\n\n<p>R4T-Diffusion representa, en cualquier caso, un avance t\u00e9cnico en la b\u00fasqueda basada en IA: <strong>generar consultas secundarias m\u00e1s diversas y relevantes sin asumir el coste de ejecutar constantemente modelos grandes<\/strong>. Si este tipo de arquitectura se integra progresivamente en productos de b\u00fasqueda y recomendaci\u00f3n, la forma en que los sistemas descomponen las consultas podr\u00eda convertirse en un componente cada vez m\u00e1s importante de la experiencia de b\u00fasqueda.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Google ha presentado R4T-Diffusion, un nuevo framework dise\u00f1ado para generar query fan-outs de mayor calidad con menos coste computacional y &#8230; <\/p>\n<p class=\"read-more-container\"><a title=\"Google presenta R4T-Diffusion, un nuevo sistema para generar consultas de b\u00fasqueda m\u00e1s r\u00e1pido y con menor coste\" class=\"read-more button\" href=\"https:\/\/quondos.com\/mag\/google-presenta-r4t-diffusion-un-nuevo-sistema-para-generar-consultas-de-busqueda-mas-rapido-y-con-menor-coste\/#more-131422\" aria-label=\"Leer m\u00e1s sobre Google presenta R4T-Diffusion, un nuevo sistema para generar consultas de b\u00fasqueda m\u00e1s r\u00e1pido y con menor coste\">Leer m\u00e1s<\/a><\/p>\n","protected":false},"author":850,"featured_media":131423,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[236],"tags":[],"class_list":["post-131422","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-seo","generate-columns","tablet-grid-50","mobile-grid-100","grid-parent","grid-50","no-featured-image-padding"],"_links":{"self":[{"href":"https:\/\/quondos.com\/mag\/wp-json\/wp\/v2\/posts\/131422","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/quondos.com\/mag\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/quondos.com\/mag\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/quondos.com\/mag\/wp-json\/wp\/v2\/users\/850"}],"replies":[{"embeddable":true,"href":"https:\/\/quondos.com\/mag\/wp-json\/wp\/v2\/comments?post=131422"}],"version-history":[{"count":1,"href":"https:\/\/quondos.com\/mag\/wp-json\/wp\/v2\/posts\/131422\/revisions"}],"predecessor-version":[{"id":131424,"href":"https:\/\/quondos.com\/mag\/wp-json\/wp\/v2\/posts\/131422\/revisions\/131424"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/quondos.com\/mag\/wp-json\/wp\/v2\/media\/131423"}],"wp:attachment":[{"href":"https:\/\/quondos.com\/mag\/wp-json\/wp\/v2\/media?parent=131422"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/quondos.com\/mag\/wp-json\/wp\/v2\/categories?post=131422"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/quondos.com\/mag\/wp-json\/wp\/v2\/tags?post=131422"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}