Paper Autoregressive Ranking: Bridging the Gap Between Dual and Cross Encoders memperkenalkan Autoregressive Ranking DeepMind (ARR). Model autoregressive itu menghasilkan document identifier (docID) token demi token, lalu menentukan urutan lewat beam search. Tim peneliti—Benjamin Rozonoyer, Chong You, Michael Boratko, dan kolaborator Google DeepMind serta mitra akademik—menyimpulkan kapasitas ekspresif ARR secara teori melampaui Dual Encoder untuk ranking sembarang dari k dokumen.
Penulis mengunggah versi v4 ke arXiv pada 11 Februari 2026, setelah submit awal 9 Januari 2026. Sumber primer ada di halaman arXiv 2601.05588. Kemudian Roger Montti di Search Engine Journal merangkum mekanisme dan hasil eksperimen WordNet serta ESCI shopping queries.
Duane Forrester menulis ulasan lanjutan soal ranking tanpa index. Namun Forrester menegaskan bagian spekulatif sebagai informed speculation, bukan kesimpulan paper. Bagi praktisi SEO di Indonesia, headline «Google tidak pakai index lagi» mudah menyesatkan. Google Search production belum mengumumkan ARR sebagai komponen ranking. Yang baru adalah bukti teori plus eksperimen terbatas—bukan pengganti crawling, freshness web-scale, atau laporan posisi di Search Console hari ini.
Autoregressive Ranking DeepMind: Dual Encoder, Cross Encoder, dan ARR
Pipeline retrieval klasik sering punya dua tahap: ambil kandidat cepat, lalu rerank presisi. Lantaran itu, Dual Encoder memetakan query dan dokumen ke embedding terpisah. Metode itu efisien untuk matching skala besar, tetapi paper membuktikan dimensi embedding DE harus tumbuh linear dengan ukuran korpus agar bisa merepresentasikan ranking sembarang.
Cross Encoder menilai pasangan query–dokumen langsung. Akurasi lebih tinggi pada set kandidat kecil, tetapi biaya membengkak bila kandidat membludak. ARR masuk sebagai paradigma generative pointwise: LLM fine-tune (eksperimen memakai Mistral-7B menurut rangkuman industri) memprediksi token docID berurutan. Probabilitas jalur identifier menjadi skor ranking.
Paper juga memperkenalkan SToICaL (Simple Token-Item Calibrated Loss). Loss rank-aware itu memakai reweighting per item dan marginalisasi prefix-tree agar massa probabilitas mengikuti relevansi ground truth, bukan next-token prediction semata. Montti mencatat hasil campuran: metrik ranking di luar top-1 membaik pada beberapa setup WordNet. Sementara itu, satu konfigurasi shopping justru melemah pada «most relevant at top-1». Jadi jangan anggap ARR «mengalahkan semua arsitektur ranking»—paper melaporkan kemajuan sebagian metrik, bukan dominasi universal.
«Arbitrary documents»: kapasitas teori Autoregressive Ranking, bukan bukti web-scale
Klaim teoretis utama: ARR dapat mencapai ranking sembarang dengan hidden dimension konstan. Sedangkan DE membutuhkan dimensi yang skala linear terhadap corpus size. Itu pernyataan tentang expressive capacity, bukan benchmark latency, biaya, atau freshness untuk seluruh web terbuka.
Meski headline media provokatif, eksperimen memakai dataset WordNet dan ESCI shopping queries—not indeks Google Search penuh. Dalam setting tertentu, peneliti menyediakan kandidat docID in-context untuk ranking atau reranking. Paper belum menutup discovery open-corpus tanpa candidate generation; dokumen sumber tetap harus ada di suatu corpus yang dikelola.
Forrester menekankan skala shopping evaluation hanya sekitar 310 contoh—angka itu berasal dari ulasan artikelnya, bukan headline produk Google. Kajian CodeF: membaca «rank without separate index» sebagai arsitektur/teori memungkinkan mengurangi ketergantungan pada index ranking terpisah dalam desain tertentu. Bukan pernyataan bahwa Google Web Search hari ini sudah membuang inverted index atau Googlebot.
Spekulasi Duane Forrester: posisi versus inclusion
Judul artikel Forrester di Search Engine Journal bersifat interpretatif. Tautannya: Google Now Has the Math to Rank Without an Index and the Results Page Does Not Survive It. Paper tidak mengklaim SERP dihapus, blue links lenyap, halaman 2 Google dibatalkan, atau metrik posisi organik selesai.
Walau paper fokus teori, menurut ulasan Forrester bila suatu hari interface generative hanya menampilkan docID/sumber terpilih model, praktisi mungkin lebih peduli pada inclusion. Pertanyaannya: apakah dokumen ikut ter-generate? Urutan ordinal klasik bisa turun prioritas. Itu skenario masa depan; Forrester menulis bahwa belum ada yang mengganti web index production dengan ARR.
Narasi «address diproduksi, bukan di-retrieve» tetap harus dibaca berdampingan dengan fakta eksperimen: kandidat dikenal, corpus terkelola. Search organik Google 2026 masih menampilkan hasil berurutan, data posisi di Search Console, dan fitur SERP. Rank tracking tidak perlu dimatikan hanya karena paper riset. Tambahkan pemantauan AI visibility atau citation bila Anda sudah terlibat AI Overviews atau AI Mode. Pola itu berbeda dari sekadar posisi keyword, meski mekanisme ARR belum terbukti sama dengan serving AI Overview.
Riset DeepMind ranking versus produk Google Search
Setidaknya sampai publikasi paper ini, tidak ada pengumuman produk, roadmap resmi, atau konfirmasi tim Google Search bahwa ARR akan mengganti komponen ranking existing. Peneliti berasal dari Google DeepMind dan kolaborator akademik. Itu tidak otomatis identik dengan «Google Search team» yang mengoperasikan serving query global.
Liputan CodeF sebelumnya (Google DeepMind ARR dan spekulasi SEO mati) sudah menegaskan gap riset–produk. Artikel ini menajamkan pemisahan: fakta paper (ARR, SToICaL, bukti teori DE vs ARR, eksperimen WordNet/ESCI) versus opini media (index hilang, SERP tidak selamat).
Rangkuman teknis Montti tetap berguna sebagai jembatan—laporan Roger Montti tentang model ranking DeepMind—asalkan framing produk tidak melebar dari bukti. Tantangan freshness pada representasi parametric/generative—Forrester merujuk riset continual indexing seperti DSI++—masih open problem riset. Crawling dan pembaruan dokumen baru tetap diperlukan bila model generative dipakai skala produksi.
Implikasi SEO realistis sekarang
Paper bukan panduan ranking Google. Tetap masuk akal menjaga halaman dengan tujuan jelas, menghindari duplikasi tipis, dan memberi informasi terdiferensiasi. Itu prinsip SEO mapan, bukan optimasi «jarak embedding» untuk ARR. Forrester menafsirkan distinctness semantik sebagai target optimasi masa depan; itu spekulasi industri, bukan faktor ranking terkonfirmasi.
Tetapi untuk website WordPress, company profile, atau toko online, prioritas tetap crawlability, struktur internal link, metadata, dan monitoring organik. Volatilitas posisi keyword masih relevan di lapangan. Baca kenapa ranking Google naik-turun sebelum mengaitkan fluktuasi dengan paper laboratorium.
Selanjutnya, konten YMYL atau niche kompetitif tetap butuh relevansi semantik dan sinyal kepercayaan. Kerangka EEAT, YMYL, dan semantic relevance lebih dekat dengan pedoman Google hari ini daripada teori ARR. Kajian CodeF menunjukkan paper ARR penting sebagai sinyal arah riset information retrieval generative, bukan alasan rebuild strategi SEO total.
Akhirnya, pantau revisi arXiv, laporan SEJ, dan dokumentasi resmi Google Search Central—bukan headline sensasional tanpa atribusi spekulasi. Perkembangan berikutnya: apakah Google mempublikasikan produk atau patent yang secara eksplisit memakai ARR di serving Search? Bagaimana publisher menstandarkan metrik inclusion generative? Sampai bukti produk muncul, perlakukan «ranking tanpa index» sebagai hipotesis arsitektur, bukan fakta operasional Google Search.
