Каузальные модели начали подстраивать под конкретный запрос на лету

Каузальные модели начали подстраивать под конкретный запрос на лету

В arXiv вышла работа TTT-SCL (Test-Time Training for Supervised Causal Learning). Смысл простой: модель не только обучают заранее, но и донастраивают уже в момент ответа, опираясь на конкретный тестовый случай. Иными словами, training set может собираться под задачу здесь и сейчас.

Авторы отдельно указывают, где раньше ломались SCL-подходы: на синтетике всё выглядит прилично, но на живых данных качество быстро проседает. Причины типовые для ML и поиска:
- сильный разрыв между учебными датасетами и реальными сценариями;
- чувствительность к сдвигу распределения;
- слабая работа с новыми комбинациями признаков и запросов.

Для AI Search это важный сигнал. Модели, которые хорошо выглядят в офлайн-тестах, не всегда выдерживают реальный трафик, смену интента и нестандартные формулировки. В такой среде выигрывают не только «точные» модели, но и те, что устойчивы к изменению паттерна запроса.

Для CPA-рынка вывод практический: смотреть нужно не только на метрики в изоляции, но и на поведение системы при смене источников, креативов, кластеров и пользовательского намерения. Если модель или классификатор хрупкие, они быстро теряют качество там, где поток становится неоднородным.

В экспериментах TTT-SCL заявляет преимущество над классическими методами causal discovery и прежними SCL-подходами на synthetic, pseudo-real и реальных наборах. Тренд понятный: рынок двигается к системам, которые умеют адаптироваться к конкретному запросу, а не просто повторять усреднённую логику обучения.