13 281 fan-out запрос раскрывает 3.2x разрыв в поиске между...

13 281 fan-out запрос раскрывает 3.2x разрыв в поиске между известными и неизвестными брендами

Бренды, которые модель уже вытягивала из памяти в топ-10 для категории, появлялись в ее собственных fan-out запросах в 3.2 раза чаще, чем бренды, которых она не помнила: 17.4% → 55.7%.

Это опирается на 1 416 наблюдений на уровне бренда — 274 из 492 брендов в памяти ушли в поиск, против 161 из 924 неизвестных.

Попадание в топ-5 при извлечении из памяти поднимало этот показатель до 67%.

Разрыв сохранился во всех девяти замерянных нишах: неизвестные бренды искались с частотой 9-23%, а бренды из памяти — 41-82%.

Извлечение из памяти (recall) стоит до сетевого поиска (fetch), что сдвигает рычаг влияния раньше, чем предполагает большинство SEO-задач.

Лишь 31% fan-out запросов вообще называли конкретный бренд; остальные 69% были общими категорийными поисками.

Из этих брендовых 31%, в 63% случаев модель тянулась к одному из топ-5 имен, которые уже держала в памяти.

Пул кандидатов формируется еще до того, как извлечена хотя бы одна страница.

Когорту делят два режима, они измеряются как доля брендовых запросов, называющих запомненный топ-5 бренд.

Автомобильная ниша сработала на 82%, а Финансы на 77%: в одном ответе по BNPL-сервисам модель запустила шесть fan-out запросов, четыре из которых были чисто брендовыми — Affirm, Klarna, Afterpay, PayPal.

Это ее топ-4 брендов из памяти, и каждый был обернут в один и тот же шаблон "merchant fees US".

Фитнес и ЗОЖ показали 50% — там модель гораздо чаще ищет за пределами собственной памяти.

Впрочем, память тоже не гарантирует монополию: на вопрос, какого платежного провайдера выбрать стартапу, модель поискала Stripe, PayPal и Square из памяти, а затем назвала Lemon Squeezy, которого вообще не было в ее радаре.

Выводы строятся на анализе боевых fan-out запросов, а не текста ответов — 13 281 запрос в 3 960 ответах (66 коммерческих промптов для США прогонялись по 60 раз в течение 12 дней).

Память и поиск замерялись на двух разных моделях (поиск — на Gemini 3.5 Flash).

Бренду нужно было пройти обе по отдельности, что делает этот разрыв минимальным порогом, а не багом одной конкретной модели.

Исследование называет это корреляцией в разведочных данных, а не доказанной причиной.

Главный фактор искажения — известность бренда: популярные бренды и лучше запоминаются, и чаще ищутся.

Нишевые срезы опираются на 6–12 промптов, поэтому они скорее ранжируют категории, чем замеряют точный размер эффекта.

Если паттерн подтверждается, именно над извлечением из памяти и предстоит работать.

А оно формируется на этапе обучения и зарабатывается через устойчивую ассоциацию с категорией:

— Упоминания у аналитиков и в прессе.

— Сигналы партнерств.

— Стабильная связка бренда и категории в сравнениях и листинг-контенте, на котором обучаются модели.

В категории, завязанной на память, попадание в сохраненный пул — это почти обязательное условие для того, чтобы бренд вообще начали искать.

В категории со слабой памятью живой контент все еще может затянуть неизвестный бренд в fan-out, но это более слабая позиция, так как ее придется отвоевывать заново на каждом запросе.

https://geosurge.ai/posts/model-memory-predicts-which-brands-get-searched

@MikeBlazerX

⚠️ Закрытый канал: @MikeBlazerPRO