tofu, keto, Rhubarb: Die Subchunk-Verfeinerungs-Signale
Die Codenamen, die für Verfeinerungs-Signale auf der granularsten Ebene stehen — einzelne Unterabschnitte einer Seite — und warum sie die schwächste Evidenz im Matrix darstellen
01Was sind tofu, keto und Rhubarb?
Diese Codenamen stehen für Verfeinerungssignale, die die Qualitätsschätzung auf einer sehr granularen Ebene verfeinern – einzelne Unterabschnitte (Subchunks) einer Seite. Ihre genaue Funktion ist im verfügbaren Material nicht vollständig dokumentiert, was sie zum schwächsten Beweis in der gesamten Matrix macht.
Die Namen folgen Googles lebensmittelbasierter Benennungskonvention: tofu (Soja), keto (Ernährung), Rhubarb (Gemüse). Diese Konvention wird für interne Systeme verwendet, die nicht für Endnutzer sichtbar sind – die Namen sind interne Bezeichner, keine beschreibenden Labels.
tofu, keto und Rhubarb werden von IS-Calibration (System 12) gespeist. Das bedeutet, sie werden durch Bewertungen menschlicher Rater kalibriert – dieselbe Ground Truth, die auch chard und OriginalContentScore kalibriert. Die Verbindung zu IS-Calibration ist der stärkste Beweis für diese Systeme: Sie sind Teil der Qualitätskalibrierungskette, auch wenn ihre spezifische Funktion unklar bleibt.
02Subchunk-Level-Verfeinerung
Das Konzept der 'Subchunks' ist architektonisch bedeutsam. Eine Seite wird nicht als einzelne Einheit bewertet – sie wird in Unterabschnitte aufgeteilt, und jeder Unterabschnitt wird unabhängig bewertet. Ein langer Artikel könnte eine Einleitung, drei Hauptabschnitte und einen Schluss haben – jeder davon ist ein Subchunk.
Die Bewertung auf Subchunk-Ebene bedeutet, dass eine Seite mit einem hervorragenden Abschnitt und drei mittelmäßigen Abschnitten anders bewertet wird als eine Seite mit vier guten Abschnitten. Die Subchunk-Bewertungen aggregieren sich zum Bewertungswert auf Seitenebene, der in NSR (System 7) zur Aggregation auf Site-Ebene einfließt.
Das Feld Subchunk-Deltas misst die Differenz zwischen den Subchunk-Bewertungen. Eine hohe Varianz zwischen Subchunks (ein hervorragender, drei schlechte) könnte auf eine Seite hinweisen, die teilweise generiert oder teilweise kopiert wurde – der hervorragende Subchunk wurde von einem Menschen verfasst, die schlechten wurden generiert.
03tofu/keto in der Ranking-Architektur
Diese Signale sind indirekt für Expertise (Exp: indirect) und Vertrauen (T: indirect). Das indirekte Expertise-Signal ergibt sich aus der Tatsache, dass die Verfeinerung auf Subchunk-Ebene ein Modell erfordert, das in der Lage ist, Qualität auf Abschnittsebene zu verstehen – eine anspruchsvollere Bewertung als die Bewertung ganzer Seiten.
Das indirekte Vertrauenssignal ergibt sich aus der Verbindung zur IS-Calibration. Wenn Rater einer Seite vertrauen, spiegeln die Subchunk-Signale dieses Vertrauen auf Abschnittsebene wider. Ein Abschnitt, den Rater als nicht vertrauenswürdig eingestuft haben (z. B. weil er ungeprüfte Behauptungen enthält), erhält einen niedrigeren Subchunk-Score.
Der schwächste Evidenz-Code in der Matrix ist hier zu finden. Anders als NavBoost ([A] DOJ, [P] patent), Panda ([P] patent, [A] DOJ) oder chard ([B] leak, [O] QRG) verfügen die tofu/keto/Rhubarb-Signale nur über [B] (Existenz von Codenamen) und [C] (Funktionsableitung). Kein Patent, keine DOJ-Aussage, keine offizielle Kommunikation.
04Quellen
API Leak (6)
- [1]BGoogle API Leak — Systembeschreibung ↗
- [3]BGoogle API Leak — fedBy: [12]
- [4]BGoogle API Leak — Subchunk-Architektur ↗
- [5]BGoogle API Leak — feedsInto: [7]
- [7]BGoogle API Leak — dims: {Exp: indirekt}
- [8]BGoogle API Leak — dims: {T: indirekt}