আধুনিক সার্চ অ্যাপ্লিকেশনগুলিকে অবশ্যই সুসংগত ফলাফলের একটি সেট ফেরত দিতে হবে, একটি মিলের বিভিন্ন রূপ নয়। "ক্যাম্পিং গিয়ার"-এর জন্য, ব্যবহারকারীরা একটি টেন্ট, স্লিপিং ব্যাগ, স্টোভ এবং হেডল্যাম্প চান। সিস্টেমগুলি একটি বিস্তৃত প্রম্পটকে সাব-কোয়েরিতে ভাঙতে কোয়েরি ফ্যান-আউট ব্যবহার করে। কিন্তু একটি LLM-কে ডেটাবেস-সচেতন কোয়েরি ডিকম্পোজিশন শেখানো একটি বিশাল থিংকিং বাজেট নিঃশেষ করে। জিরো-শট LLM-গুলি সাধারণ টেক্সট প্রেডিক্টর, একটি লক্ষ্য কর্পাসের জন্য অপ্টিমাইজ করা নয়, তাই তাদের বৈচিত্র্য এবং কভারেজের মতো সেট-লেভেল বৈশিষ্ট্য অপ্টিমাইজ করতে বর্ধিত টেস্ট-টাইম কম্পিউটেশন প্রয়োজন, একই সাথে গ্রাউন্ডেড থাকতে হয়।

ICML 2026 পেপার "Efficient, Property-Aligned Fan-Out Retrieval via RL-Compiled Diffusion"-এ, আমরা একটি রিওয়ার্ড-টু-ডেটা কম্পাইলেশন ফ্রেমওয়ার্কের মাধ্যমে এটি সমাধান করি। একটি বড় ইনফারেন্স থিংকিং বাজেটের পরিবর্তে, আমাদের Retrieve-for-Train ফ্রেমওয়ার্ক অফলাইন রিইনফোর্সমেন্ট লার্নিং ব্যবহার করে রিওয়ার্ড-অ্যালাইনড ফ্যান-আউট আবিষ্কার করে এবং সেগুলোকে সুপারভিশনে কম্পাইল করে। এই আচরণগুলি একটি হালকা ডিফিউশন রিট্রিভারে ডিস্টিল করে, আমরা ইনফারেন্সে দক্ষ, সিঙ্গল-পাস কোয়েরি ফ্যান-আউট সক্ষম করি।

অফ-দ্য-শেলফ LLM-গুলি দুটি চ্যালেঞ্জের মুখোমুখি হয়: প্যারাফ্রাস্টিক কোলাপস, যেখানে তারা ফ্রিঞ্জ জ্যাকেট বা ক্রোশে ড্রেসের পরিবর্তে "বোহেমিয়ান ফেস্টিভ্যাল ফ্যাশন" এবং "বোহেমিয়ান ফেস্টিভ্যাল ক্লোদস"-এর মতো অপ্রয়োজনীয় কোয়েরি তৈরি করে; এবং অটোরিগ্রেসিভ লেটেন্সি বটলনেক, যার জন্য শত শত চেইন-অফ-থট টোকেন প্রয়োজন। এটি সাব-সেকেন্ড সার্চের সাথে সাংঘর্ষিক একটি লেটেন্সি ফ্লোর তৈরি করে। Retrieve-for-Train প্রশিক্ষণকে একটি অফলাইন অনুশীলন সেশন হিসেবে বিবেচনা করে।

মূল সত্তা: কোম্পানি: Google AI Blog