Google ujawnił, jak Discover usuwa z feedu treści, które się zestarzały. Według pracy badawczej opublikowanej na arXiv i przyjętej na konferencję CIKM 2026 system o nazwie SDF (Supersession-Decay Filtering) działa w Discover od dwóch lat i odsiewa nieaktualne artykuły, zanim w ogóle trafią do rankingu. Dla wydawców to rzadki, bardzo konkretny wgląd w to, dlaczego tekst potrafi zniknąć z Discover z dnia na dzień.
Sprawę nagłośnił w środę serwis Search Engine Journal, który jako pierwszy szczegółowo omówił dokument. Sama publikacja naukowa pochodzi z połowy sierpnia, ale dopiero teraz trafiła do szerszego obiegu w branży SEO. Zawiera liczby, których Google zwykle nie podaje: dokładność modeli, wyniki testów A/B i spadek liczby skarg użytkowników o 54,9%.
Kontekst: Discover to nie wyszukiwarka, tylko feed
Google Discover działa inaczej niż klasyczne wyniki wyszukiwania. Użytkownik niczego nie wpisuje, a system sam podsuwa mu treści dopasowane do zainteresowań. Według autorów pracy z Discover korzystają setki milionów osób dziennie i miliardy miesięcznie. Dla wielu serwisów informacyjnych i blogów tematycznych to jedno z największych źródeł ruchu z Google, a jednocześnie najbardziej nieprzewidywalne.
Feed bez zapytania ma jeden poważny problem: łatwo w nim pokazać coś, co już nie jest prawdą albo przestało być potrzebne. Zapowiedź meczu, który już się odbył. Plotkę o cenie samochodu, choć producent ogłosił już oficjalny cennik. Poradnik o deszczu meteorów, który skończył się trzy dni temu. Autorzy piszą wprost, że nieaktualne rekomendacje są jednym z głównych źródeł skarg użytkowników na duże platformy z treściami.
Dotychczas takie platformy radziły sobie z problemem na dwa sposoby. Pierwszy to sztywny limit wieku: treść starsza niż X dni wypada z puli. Drugi to sygnały zaangażowania: jeśli ludzie przestają klikać, materiał spada. Badacze uznali oba podejścia za słabe zastępstwo. Data publikacji nie mówi, czy tekst stracił wartość, bo artykuł może się zdezaktualizować po godzinie, a poradnik evergreen może być przydatny przez lata. Zaangażowanie z kolei reaguje dopiero wtedy, gdy użytkownicy już zobaczyli przestarzałą treść i się na niej zawiedli.
O tym, jak kapryśny bywa ruch z tego kanału, pisaliśmy niedawno w tekście o wrześniowym spadku ruchu z Discover. Praca o SDF nie tłumaczy tamtych wahań bezpośrednio, ale pokazuje jeden z mechanizmów, które od dawna decydują o tym, co w ogóle ma szansę pojawić się w feedzie.
Kluczowe fakty: dwa filtry przed rankingiem
SDF to warstwa filtrująca, która działa przed kosztownym etapem rankingu. Jej zadaniem jest zmniejszenie puli kandydatów: zanim systemy oparte na zaangażowaniu i trendach zaczną układać kolejność, część treści zostaje po prostu odrzucona jako nieaktualna. Google rozkłada „przeterminowanie” treści na dwa niezależne zjawiska i dla każdego zbudował osobny model.
Filtr wyparcia (supersession)
Pierwszy filtr sprawdza, czy nowa informacja unieważniła starszą. Model porównuje pary materiałów na ten sam temat i odpowiada na proste pytanie: czy pojawienie się nowego tekstu sprawia, że stary jest już nieaktualny? Przykłady z pracy dobrze to ilustrują. Zapowiedź serii meczów baseballowych traci sens, gdy ukazuje się relacja z wyniku. Przedpremierowy tekst o nowej Maździe 3 zostaje wyparty przez materiał z oficjalną ceną. Polityczna zapowiedź planu budżetowego ustępuje późniejszej informacji o jego kształcie.
Ciekawy jest sposób trenowania tego modelu. Etykiety przygotował duży model językowy PaLM 2-L, który dla każdej pary generował 7 odpowiedzi z uzasadnieniem, a wynik ustalano głosowaniem większościowym. Prompt dopracowywano tak długo, aż „anotator” przekroczył 90% precyzji i czułości na złotym zbiorze 300 par ocenionych przez ludzi. Na tej podstawie powstał zbiór 1 100 133 oznaczonych par, na którym wytrenowano mniejszy model T5 (startujący z checkpointu 11B). Ten model najpierw generuje krótkie uzasadnienie, a dopiero potem werdykt.
Filtr wygasania (relevance decay)
Drugi filtr działa nawet wtedy, gdy nic nowego się nie ukazało. Przewiduje, jak szybko treść straci wartość sama z siebie, na podstawie jej zawartości. Google nazywa tę miarę PTR (predicted traffic ratio): to przewidywany udział ruchu, jaki tekst zbierze w kolejnych oknach czasowych, w odniesieniu do całego 30-dniowego „życia” materiału. Model liczy prognozy dla horyzontów 12 godzin, 1, 3, 5, 7, 10 i 14 dni.
Istotny szczegół: etykiety do tego modelu pochodzą z logów kliknięć w wyszukiwarce, a nie z odsłon stron. Autorzy wyjaśniają, że odsłony są zniekształcone przez promocję prowadzoną przez samych wydawców. Model jest multimodalny, czyli analizuje tekst, obrazy i wideo razem. Treść wypada z puli, gdy przewidywany udział ruchu w największym upłyniętym horyzoncie osiąga próg 0,9, czyli gdy model uznaje, że 90% wartości materiału już się „zużyło”.
Najważniejsze liczby z pracy
| Wskaźnik | Wynik |
|---|---|
| Czas działania SDF w Discover | 2 lata produkcyjnie |
| Spadek zgłoszeń o nieaktualnych treściach (łącznie) | 54,9% |
| Spadek zgłoszeń dotyczących wyparcia | 64,0% |
| Spadek zgłoszeń dotyczących wygasania | 34,4% |
| Zmiana udziału nieaktualnych treści w teście A/B (pełny SDF) | −6,91% |
| Ten sam wskaźnik dla starego podejścia (limit wieku + zaangażowanie) | −0,10% |
| Oszczędność CPU i TPU (filtr wyparcia, I kw. 2026) | 4,76% |
| Dodatkowa oszczędność (filtr wygasania) | 3,98% |
| Dokładność modelu wyparcia (F1 na zbiorze testowym) | 84,79% |
| Liczba oznaczonych par treningowych | 1 100 133 |
Oba filtry są połączone logicznym „lub”. Jeśli którykolwiek uzna materiał za nieaktualny, artykuł traci prawo do udziału w rankingu Discover. Treść, która przejdzie przez oba sita, trafia dalej, do zwykłych systemów oceniających zaangażowanie i zgodność z zainteresowaniami użytkownika.
Ważne jest też to, czego SDF nie robi. Oba filtry korzystają wyłącznie z sygnałów na poziomie samego materiału, bez personalizacji. Wynik jest liczony z wyprzedzeniem i trzymany w pamięci podręcznej, więc w momencie wyświetlania feedu nie uruchamia się żaden model. Filtr wyparcia pracuje w dwóch trybach: niemal w czasie rzeczywistym dla treści wrażliwych na czas oraz wsadowo dla długiego ogona starszych materiałów.
Co to znaczy dla SEO i AIO
Najważniejszy wniosek jest prosty: w Discover świeżość nie jest dodatkiem do rankingu, tylko warunkiem wejścia do gry. Dobra treść, która według modelu się zestarzała, nie przegrywa w rankingu. Ona w nim w ogóle nie bierze udziału. To zmienia sposób, w jaki warto czytać spadki ruchu z tego kanału.
Data publikacji nie jest sygnałem, którym da się grać
Autorzy pracy wprost odrzucają wiek treści jako miarę aktualności. Filtr wyparcia patrzy na relację między materiałami, a filtr wygasania na to, o czym tekst jest. Zmiana daty w nagłówku bez zmiany treści nie powinna więc nic dać. Jeżeli nowsze teksty w tym samym temacie (także u konkurencji) unieważniają twoją publikację, model to wychwyci niezależnie od znacznika czasu.
Wydawca konkuruje z nowszą wersją tej samej historii
Filtr wyparcia ocenia pary treści na ten sam temat. W praktyce oznacza to, że zapowiedź wydarzenia, relacja „na żywo” czy tekst o przeciekach mogą wypaść z Discover w chwili, gdy ktokolwiek opublikuje rozstrzygnięcie. Redakcje, które piszą zapowiedzi, powinny mieć gotowy plan na tekst wynikowy albo na aktualizację starego materiału. Brak tej drugiej części oznacza, że wcześniejszy artykuł zostaje odcięty od feedu, a ruch przejmuje ktoś, kto opisał finał.
Evergreen ma się dobrze, jeśli naprawdę jest evergreenem
W przykładach z pracy poradnik zdrowotny o charakterze ponadczasowym nie został odfiltrowany, a przewodnik po kilkudniowym festiwalu kulinarnym pozostał w puli przez cały okres trwania wydarzenia. To dobra wiadomość dla serwisów poradnikowych. Model ocenia „czasowrażliwość” treści na podstawie jej zawartości, więc tekst, który nie odwołuje się do konkretnego momentu, ma szansę żyć w Discover długo.
Wątek AIO: ten sam problem w odpowiedziach AI
SDF dotyczy Discover, ale problem, który rozwiązuje, jest wspólny dla wszystkich systemów rekomendacji i generowania odpowiedzi. Asystenci AI też muszą decydować, czy źródło jest jeszcze aktualne. Metoda opisana przez Google, czyli porównywanie par materiałów przez duży model językowy i trenowanie na tej podstawie mniejszego klasyfikatora, jest dość uniwersalna. Można zakładać, że podobna logika „czy nowsza informacja unieważnia starszą” będzie coraz częściej obecna w systemach, które wybierają źródła do cytowania. Treści z jasno opisanym stanem faktycznym i datą aktualizacji w treści mają w takim świecie przewagę nad tekstami, które trzeba domyślnie traktować jako potencjalnie przestarzałe.
Reakcje branży
Roger Montti, który omówił pracę na łamach Search Engine Journal, podkreśla, że Discover traktuje świeżość jako jeden z kluczowych czynników, i uznaje to za zgodne z oczekiwaniami użytkowników. Według niego wydawcy powinni umieć odpowiedzieć na trzy pytania o swoje treści:
- jaka część publikacji to treści evergreen, zdolne do utrzymania ruchu przez długi czas,
- jaka część ma ograniczone okno przydatności i czy istnieje plan ich aktualizacji, gdy się zestarzeją,
- jaka część to newsy o krótkim życiu (tu autor zaleca, by obsługiwać wszystkie istotne informacje z danej niszy).
Montti zwraca też uwagę na mniej oczywisty wątek: narzędzia do linkowania wewnętrznego oparte na podobieństwie semantycznym powinny brać pod uwagę także świeżość. Skoro Google ocenia, czy nowszy materiał wypiera starszy, linkowanie z nowych tekstów do przestarzałych odpowiedników może osłabiać spójność serwisu.
W dyskusjach branżowych pojawia się również wątek, który warto podkreślić: praca opisuje system wdrożony od dwóch lat, a nie nową zmianę. Część wahań ruchu z Discover, które wydawcy przypisywali aktualizacjom algorytmu, mogła wynikać właśnie z działania tych filtrów. Sami autorzy przyznają przy tym, że wieloletni trend jest trudny do przypisania jednej zmianie, bo w ciągu dwóch lat modele były wielokrotnie aktualizowane.
Ograniczenia, które warto znać
Praca ma kilka zastrzeżeń, które studzą najbardziej daleko idące interpretacje. Autorzy piszą, że ocena par jest niejednoznaczna dla publicystyki politycznej, która miesza opinie z faktami. Filtr wygasania pomija z kolei długi ogon treści, które tracą wartość powoli i nigdy nie przekraczają progu. Etykiety z modelu językowego mają resztkowy błąd szacowany na około 6%. Wreszcie testy A/B mierzono na podstawie próbkowanych ocen ludzi, bo zgłoszeń od użytkowników było zbyt mało, by porównywać pojedyncze warianty eksperymentu.
Trzeba też pamiętać, że dokument opisuje architekturę na dzień publikacji. Google nie potwierdził, jakie wersje modeli działają dziś, ani jak dokładnie wyglądają progi w produkcji. Praca nie jest dokumentacją dla wydawców, tylko artykułem naukowym z sekcji badań stosowanych.
Co dalej
W krótkim terminie nic się nie zmienia, bo SDF już działa. Zmienia się natomiast wiedza, z którą wydawcy mogą pracować. Kilka praktycznych kroków wynika wprost z opisu systemu:
- Podziel treści na trzy grupy: evergreen, materiały z ograniczonym oknem ważności oraz newsy. Każda grupa wymaga innej strategii pod Discover.
- Domykaj historie: jeśli publikujesz zapowiedź, zaplanuj relację z wyniku albo aktualizację tego samego adresu. Inaczej wynik opisany przez konkurencję wyprze twój tekst.
- Aktualizuj treść, nie datę: model ocenia zawartość, więc odświeżenie musi wnosić nowe fakty.
- Usuwaj odwołania do konkretnego momentu z poradników: zwroty w stylu „w tym tygodniu” czy „przed premierą” mogą sprawić, że tekst evergreen zostanie uznany za czasowrażliwy.
- Analizuj Discover osobno: w Search Console raport Discover pokazuje, jak długo artykuły zbierają wyświetlenia. Krótki ogon przy treściach, które miały być długowieczne, to sygnał do sprawdzenia, czy nie wyglądają na przeterminowane.
Warto też obserwować, czy podobne podejście trafi do innych powierzchni Google. W Discover pojawiły się już funkcje oparte na AI, o czym pisaliśmy przy okazji funkcji „Dive deeper” i przeglądów tematów. Do tego dochodzi rosnąca personalizacja w Search, Discover i News. Filtr aktualności, który działa przed rankingiem i nie zależy od użytkownika, jest naturalnym uzupełnieniem tych zmian. Im więcej treści generują same systemy AI, tym ważniejsze staje się dla Google odsiewanie tego, co straciło sens.
Dla zespołów SEO najważniejsza lekcja jest taka, że „świeżość” przestaje być ogólnikiem. Google opisał ją jako dwa mierzalne zjawiska: wyparcie przez nowszą informację i naturalne wygasanie wartości. Oba da się uwzględnić w planie redakcyjnym, zanim algorytm zrobi to za nas.
FAQ
Czym jest SDF w Google Discover?
SDF (Supersession-Decay Filtering) to system filtrowania nieaktualnych treści, który według pracy badawczej Google działa w Discover od dwóch lat. Składa się z dwóch modeli: jeden wykrywa treści wyparte przez nowsze informacje, drugi przewiduje, kiedy materiał straci wartość sam z siebie. Odfiltrowane artykuły nie biorą udziału w rankingu feedu.
Czy SDF wpływa na wyniki zwykłej wyszukiwarki Google?
Praca opisuje wdrożenie wyłącznie w Google Discover. Nie ma informacji, że ten sam system filtruje klasyczne wyniki wyszukiwania. Ciekawostką jest jednak to, że filtr wygasania uczy się na danych o kliknięciach z wyszukiwarki.
Czy zmiana daty publikacji pomoże wrócić do Discover?
Raczej nie. Autorzy wprost odrzucają wiek treści jako wiarygodną miarę aktualności. Modele oceniają zawartość tekstu i jego relację do nowszych materiałów, więc odświeżenie musi wnosić nowe fakty, a nie tylko zmieniać znacznik czasu.
Jak bardzo SDF ograniczył nieaktualne treści w feedzie?
Według pracy liczba zgłoszeń użytkowników dotyczących przestarzałych treści spadła o 54,9% w ciągu dwóch lat działania systemu. W testach A/B pełny SDF obniżył udział nieaktualnych materiałów o 6,91%, podczas gdy stare podejście oparte na wieku i zaangażowaniu dawało praktycznie zerowy efekt.
Czy treści evergreen są zagrożone przez SDF?
Nie, jeśli rzeczywiście są ponadczasowe. W przykładach z pracy poradnik zdrowotny o charakterze evergreen nie został odfiltrowany. Ryzyko pojawia się wtedy, gdy poradnik zawiera odwołania do konkretnego momentu, przez które model może uznać go za treść wrażliwą na czas.