BlockRank je výzkumná metoda pro řazení dokumentů pomocí jazykového modelu. Upravuje výpočet pozornosti a trénink tak, aby model mohl efektivněji porovnávat kandidátní dokumenty s dotazem. Práce z roku 2025 ukazuje výsledky na Mistralu-7B a několika výzkumných datových sadách. Nepotvrzuje, že jde o současný rankingový faktor Google Search, AI Overviews nebo AI Mode.
Pro zadavatele AI vyhledávání je zajímavá jiná otázka: lze snížit výpočetní náročnost a odezvu přerovnávání dokumentů, aniž se ztratí potřebná relevance? Právě na ni BlockRank odpovídá v ohraničeném experimentu. Pro vlastníka webu z něj naopak nevzniká povinnost přestavět články na speciální „bloky pro Google“.
Nejprve kandidáti, potom jejich přerovnání
In-context ranking znamená, že model dostane do vstupu instrukci, seznam kandidátních dokumentů a dotaz. Z tohoto kontextu má určit relevantní dokumenty. Neprohledává tím automaticky celý web. V práci Scalable In-context Ranking with Generative Models kandidáty vybírá předchozí vyhledávací metoda; BlockRank pracuje s takto zúženým seznamem.
Tento rozdíl je podstatný pro interpretaci výsledků. Metoda může dobře seřadit dostupné kandidáty, ale nedokáže vybrat dokument, který mezi nimi není. Kvalitu prvotního dohledání proto nelze přeskočit jen proto, že následuje pokročilý jazykový model. Také porovnání metod potřebuje shodné vstupní podmínky: hledání v celém korpusu a řazení předvybraného seznamu nejsou totožná úloha.
Starší práce Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? představila benchmark LOFT a zkoumala různé úkoly nad dlouhým kontextem. Pro retrieval sestavovala korpus z relevantních a náhodně vybraných pasáží. BlockRank na tento směr navazuje, ale zdůrazňuje obtížnější situaci: kandidáty předvybírá vyhledávač a mnoho z nich už je dotazu tematicky blízko. Úspěch na jedné úloze tedy nelze bez kontroly přenést na druhou.
„Blok“ je část vstupu modelu, ne nový HTML prvek
BlockRank znamená Blockwise In-context Ranking. Bloky zde označují oddělené části promptu: instrukci, dokumenty a dotaz. Nejde o název WordPress bloku, povinnou strukturu odstavce ani doporučení rozdělovat každou stránku na stejně dlouhé sekce. Slovo „block“ samo o sobě takovou souvislost nedokládá.
Autoři nejprve analyzovali pozornost modelu Mistral-7B doladěného pro tuto úlohu. Attention, česky pozornost, je mechanismus, jímž model při výpočtu pracuje se vztahy mezi tokeny vstupu. Token je jednotka textu používaná modelem, nikoli nutně celé slovo. Pozorování ukázalo silnou pozornost uvnitř dokumentů a řidší vazby mezi různými dokumenty. Některé tokeny dotazové části zároveň nesly užitečný signál vztahu k relevantním dokumentům.
Z toho vznikly dvě propojené úpravy. První omezuje, které části vstupu mohou při zpracování dokumentu vzájemně využívat pozornost. Druhá při tréninku učí vybraný vnitřní signál lépe rozlišovat relevantní a nerelevantní kandidáty. Přínos tedy autoři nepřipisují pouhému přepsání instrukce do promptu.
Úspora vzniká ve výpočtu a v učení relevance
V navržené architektuře tokeny dokumentu využívají vlastní dokument a společnou instrukci, nikoli všechny ostatní dokumenty. Dotazová část může naopak pracovat s celým vstupem. Model tím neprovádí stejné množství vzájemných porovnání jako při plné pozornosti přes celý dlouhý seznam.
Pro standardní plnou attention roste její výpočetní náročnost kvadraticky s délkou vstupu. To není exponenciální růst. Příloha C paperu popisuje u BlockRanku lineární závislost attention části na počtu dokumentů při pevné délce jednotlivých bloků a dalších uvedených předpokladech. Neznamená to lineární cenu každé operace celého modelu za všech podmínek ani možnost bez omezení přidávat libovolně dlouhé dokumenty.
Při doladění modelu autoři vedle obvyklého předvídání dalšího tokenu přidávají pomocný kontrastivní cíl: má podpořit vyšší skóre relevantního dokumentu vůči ostatním. Při vyhodnocení pak lze relevanci dokumentů odvodit z naučených attention skóre ve zvolené vnitřní vrstvě. Není nutné vždy postupně generovat celý seznam identifikátorů dokumentů. Práce tuto cestu označuje jako attention-based inference.
Pro implementaci z toho plyne jasná hranice. Vložit do běžného chatu větu „použij BlockRank“ nezmění architekturu modelu ani jeho trénink. Pokud dodavatel tvrdí, že tuto metodu nasazuje, měl by popsat skutečnou implementaci, model a ověření. Stejná terminologie v prezentaci nestačí.
Výsledky čtěte společně s metrikou a podmínkami
Autoři vyhodnocovali účinnost řazení i odezvu. Na jedenácti sadách benchmarku BEIR v tabulce 1 přerovnávali prvních sto kandidátů z retrieveru Contriever. Uvádějí průměrné nDCG@10 na stupnici 0–100 ve výši 54,8 pro BlockRank Mistral a 54,3 pro FIRST. Jde o průměr hodnocení kvality pořadí na těchto úlohách, ne o procento správných AI odpovědí nebo slib nárůstu návštěvnosti. BlockRank navíc nevyhrál na každé jednotlivé sadě.
V kontrolovaném srovnání na MSMarco uvádí tabulka 2 Precision@1 29,1 pro BlockRank Mistral a 28,7 pro Full-FT Mistral. Precision@1 zde hodnotí, zda je relevantní dokument na první pozici. Rozdíl činí 0,4 procentního bodu, nikoli 40 % ani 0,4 procenta relativního zlepšení. Ve stejné tabulce je pro tyto metody MRR@10 42,0 a 38,3; tato metrika zohledňuje pozici prvního relevantního výsledku v první desítce. Neslučujte ji s Precision@1 do jediného skóre „přesnosti“.
Účinnost je jen část výsledku. V oddílu 5.2 autoři u sta kandidátů MSMarco uvádějí přibližně 4,7násobnou rychlost oproti Full-FT baseline. Všechny jejich LLM tréninkové a inferenční experimenty běžely v JAX na Google Cloud TPU v konfiguraci osmi čipů v6e. Tento poměr proto nepopisuje rychlost vašeho běžného serveru, produkčního Googlu nebo libovolného API.
Praktický detail ukazuje, proč číst i tělo studie. Zatímco abstrakt hovoří o přibližně pěti stech dokumentech do sekundy, text oddílu 5.2 verze v2 uvádí pro pět set kandidátů 1,15 sekundy. Pro plánování výkonu je poctivější uvést konkrétní podmínky a údaj z této pasáže než opakovat zkrácený titulek o okamžitém řazení.
Co z paperu pro Google a SEO nevyvozovat
Článek Search Engine Journal, který byl jedním ze vstupních podkladů, sám výslovně upozorňuje, že paper nepopisuje živé nasazení. Afiliace části autorů ke Googlu a Google DeepMind není oznámením produktové změny. Je potřeba odlišit výzkumnou metodu, veřejnou implementaci a použití v konkrétní službě.
Zde rozebíraný dokument je výzkumný paper, nikoli důkaz nového patentovaného rankingového faktoru. Ani samotná existence patentu by produkční použití nepotvrdila. V těchto podkladech nemáme důkaz, že Google přiděluje veřejným stránkám „BlockRank skóre“, že jej lze měřit SEO pluginem nebo že vás do AI odpovědi dostane určitá délka odstavce.
Srozumitelná struktura a doložené informace mají hodnotu pro čtenáře i běžné zpracování obsahu. Toto doporučení ale nepotřebuje vymyšlenou vazbu na konkrétní výzkumný model. Pro web lze navázat na praktickou optimalizaci pro AI vyhledávání; paper nenahrazuje audit dostupnosti, obsahu a správnosti podkladů.
Pro vlastní projekt si připravte srovnatelný test
Pokud provozujete interní vyhledávání nebo RAG, může být BlockRank inspirací pro experiment. Nejdřív však ověřte, zda vaším problémem skutečně je cena a odezva přerovnávání. Chybějící zdroj, špatně vytažená tabulka nebo nesprávná přístupová práva se touto metodou samy neopraví.
- Připravte reprezentativní otázky a lidsky ověřené relevantní dokumenty. Zahrňte i obtížné podobné kandidáty a otázky bez dostupné odpovědi.
- Uchovejte shodný seznam kandidátů pro srovnávané rerankery. Kvalitu prvního dohledání vyhodnoťte zvlášť.
- Zaznamenejte model, nastavení, délky dokumentů, hardware, počet kandidátů a způsob měření odezvy. Bez těchto údajů se výsledky obtížně porovnávají.
- Vedle relevance zkontrolujte chyby, cenu a správnost následné odpovědi. Rychlejší výběr zdroje ještě neznamená správný výklad zdroje.
Výstupem má být rozhodnutí opřené o váš test, ne převzaté číslo z paperu. Autoři sami uvádějí omezení na konkrétní modelovou architekturu a potřebu dalšího ověřování napříč úlohami. To nesnižuje hodnotu výzkumu. Vymezuje to, k jakému rozhodnutí jej lze použít.
Má pro váš AI projekt smysl pokročilejší řazení?
Pomohu vám posoudit zadání AI projektu a určit, zda má přednost kvalita podkladů, výběr dokumentů, nebo rychlost jejich přerovnávání. Napište mi, kde se vaše řešení dnes zastavuje. Experiment a případnou realizaci domluvíme podle dostupných dat a technických možností.









