YATI Яндекса: как работает нейросетевой алгоритм ранжирования

Какую задачу решает YATI

Основная задача YATI — определить, содержит ли страница полезный ответ на запрос, даже когда формулировки пользователя и автора страницы заметно отличаются.

Например, человек может искать:

как называется фильм, где астронавт выращивал картошку на Марсе

На релевантной странице может не оказаться точной фразы из запроса. Вместо неё будут встречаться слова «Марсианин», «Марк Уотни», «миссия на Марс» и «выживание астронавта». Простого подсчёта совпадающих слов здесь недостаточно: поиску необходимо установить связь между смыслом запроса и содержанием документа.

YATI приближает решение этой задачи с помощью нейросетевой модели. Она анализирует запрос вместе с фрагментами страницы и вычисляет оценку их семантического соответствия. Чем вероятнее, что документ решает задачу пользователя, тем полезнее полученный сигнал для дальнейшего ранжирования.

Важно понимать, что речь идёт не о человеческом «понимании» текста. Модель обучается находить статистические закономерности в огромном количестве примеров и предсказывать релевантность. Результат может создавать впечатление понимания смысла, но технически это математическая оценка связи между текстами.

От «Палеха» и «Королёва» к YATI

YATI стала продолжением нескольких этапов развития нейросетевого поиска Яндекса.

«Палех»: сопоставление запроса и заголовка

Алгоритм «Палех», запущенный в 2016 году, применял нейронную сеть для сравнения смысла запроса с заголовком страницы. Его главной задачей было улучшение результатов по редким и уникальным запросам, для которых накоплено мало поисковой статистики.

Модель переводила запрос и заголовок в семантические векторы, после чего оценивала расстояние между ними. Чем ближе оказывались векторы, тем вероятнее считалась смысловая связь текстов.

«Королёв»: анализ содержимого страницы

В 2017 году Яндекс представил «Королёв». Новая модель анализировала уже не только заголовок, но и содержимое страницы, а также учитывала другие запросы, по которым пользователи переходили на этот документ.

Смысл страницы вычислялся заранее, во время индексирования. Благодаря этому Яндекс смог увеличить количество документов, сравниваемых с запросом по смыслу, примерно со 150 до 200 тысяч.

YATI: контекст и внимание

Ограничение ранних нейросетевых моделей заключалось в том, что весь текст приходилось сжимать в один вектор фиксированного размера. Для заголовка или короткого предложения это допустимо, но в длинном документе могут одновременно обсуждаться десятки разных вопросов.

Трансформер обрабатывает элементы текста отдельно и сохраняет информацию об их положении и контексте. Механизм внимания позволяет модели при оценке документа придавать больший вес фрагментам, связанным с конкретным запросом.

Так, для запроса «купить кофеварку» модель может сосредоточиться на части страницы с каталогом кофеварок, ценами и условиями заказа, придав меньшее значение общему описанию магазина или блоку доставки.

Как работает YATI: основные этапы

Точная действующая формула поиска не публикуется и постоянно меняется. Однако Яндекс подробно описал принципы первоначальной реализации YATI. На их основе процесс можно представить в виде нескольких этапов.

1. Поиск выбирает кандидатов для ранжирования

YATI не обходит интернет самостоятельно и не заменяет поисковый индекс. До применения модели робот должен обнаружить страницу, загрузить её, обработать содержимое и включить документ в поисковую базу.

На этапе формирования выдачи алгоритмы выбирают страницы, потенциально подходящие запросу. Подробнее об общей логике процесса — в материале как поисковики формируют выдачу. После этого разные модели и факторы оценивают качество и релевантность кандидатов.

Следовательно, даже идеально написанный текст не получит преимуществ от семантического анализа, если страница закрыта от индексирования, возвращает ошибочный HTTP-статус, признана дублем или недоступна поисковому роботу. Базовые причины собраны в инструкции почему страницы сайта не индексируются.

2. Формируются текстовые признаки запроса и документа

На вход нейросети поступает не только исходный запрос. Яндекс может использовать его смысловые расширения — связанные слова и альтернативные формулировки той же потребности.

Для документа используются выбранные фрагменты страницы и дополнительные текстовые сигналы. В опубликованном описании Яндекс называл такие связанные с документом тексты «стримами». К ним, например, могут относиться тексты входящих ссылок или запросы, по которым пользователи находили страницу.

Обработать произвольную веб-страницу целиком слишком дорого даже для трансформера. Поэтому перед нейросетевым анализом система выделяет наиболее содержательные зоны: основной текст, заголовки и другие потенциально полезные фрагменты. Для этого применяются автоматическая сегментация и более простые алгоритмы предварительного отбора.

3. Текст разбивается на токены

Запрос и фрагменты документа делятся на токены — слова, части слов, знаки пунктуации или частотные сочетания символов. Каждый токен преобразуется в числовое представление.

В отличие от подхода «мешок слов», трансформер не теряет порядок элементов. Представление слова зависит от окружения, поэтому одинаковая последовательность символов может получать разный контекст в разных предложениях.

Например, слово «ключ» может обозначать инструмент, родник, пароль или элемент поискового запроса. Соседние слова помогают модели определить наиболее вероятное значение.

4. Механизм внимания сопоставляет фрагменты

Внутри трансформера работает механизм attention — внимание. Он определяет, какие элементы запроса и документа наиболее важны друг для друга.

Упрощённо этот процесс можно представить так:

• модель анализирует слова и контекст запроса;

• сопоставляет их с токенами документа;

• выделяет фрагменты, потенциально содержащие ответ;

• формирует итоговое представление связи «запрос — документ»;

• рассчитывает оценку релевантности.

YATI способна находить соответствие без точного повторения запроса на странице. Однако это не означает, что употребление понятных терминов и формулировок пользователей стало ненужным. Явные названия сущностей помогают и поисковой системе, и человеку быстрее определить содержание страницы.

5. Модель предварительно обучается на больших массивах данных

Для трансформеров требуется очень много обучающих примеров. Яндекс обучал собственную модель с нуля, поскольку готовая мультиязычная версия BERT давала относительно небольшой прирост для задачи ранжирования русскоязычных веб-страниц.

На этапе предварительного обучения YATI решала сразу несколько задач. В частности, модель восстанавливала скрытые фрагменты текста по принципу Masked Language Model и предсказывала вероятность выбора документа по запросу.

В качестве одного из источников обучающих сигналов использовались поисковые сессии, в которых пользователь несколько раз переформулировал запрос, пока не нашёл подходящий результат. Такие последовательности помогают связать разные формулировки одной информационной потребности.

6. Модель последовательно дообучается

После предварительного обучения YATI проходила несколько стадий настройки — от больших и сравнительно дешёвых наборов данных к меньшим, но более качественным.

Яндекс описывал следующую последовательность:

• оценки исполнителей Толоки;

• более сложные оценки профессиональных асессоров;

• обучение на итоговую метрику, объединяющую несколько характеристик качества ранжирования.

Такой подход позволяет сначала изучить общие языковые и поисковые закономерности, а затем адаптировать модель к более тонкой экспертной оценке релевантности.

Оценки асессоров при этом не переставляют сайты вручную. Они используются для обучения и проверки алгоритмических изменений. Перед полноценным внедрением изменения также проходят онлайн-эксперименты.

7. Большая модель становится «учителем» для облегчённой

Полноразмерный трансформер слишком ресурсоёмок, чтобы применять его ко всем кандидатам при обработке тысяч запросов в секунду. Поэтому Яндекс использовал дистилляцию знаний, которую внутри компании также называли «пародированием».

Большая модель рассчитывает точные предсказания в офлайн-режиме. Затем более компактная модель обучается воспроизводить её поведение. По данным Яндекса на момент запуска, дистилляция позволяла уменьшить сложность модели в несколько раз, сохранив большую часть прироста качества.

Подобная схема «тяжёлый учитель — быстрый ученик» продолжает применяться в поисковых технологиях Яндекса. Например, представленный в апреле 2026 года ИИ-блендер использует мощную языковую модель для обучения и контроля более лёгкой модели, которая должна расставлять поисковые блоки примерно за 50 миллисекунд. ИИ-блендер не является YATI, но показывает актуальность самого инженерного подхода.

8. Вычисления разделяются между запросом и документом

Для повышения скорости YATI была реализована как split-модель:

• одна часть обрабатывает запрос;

• другая часть обрабатывает документ;

• финальная модель связывает полученные представления и оценивает их соответствие.

Часть вычислений для документов можно выполнять заранее, а не повторять при каждом пользовательском запросе. Это позволяет использовать более сложную модель, увеличить объём входных данных и уложиться в ограничения поискового сервиса по времени ответа.

Для работы в реальном времени Яндекс создал GPU-инфраструктуру и оптимизировал инференс, включая вычисления в формате FP16.

9. Оценка YATI объединяется с другими факторами

Результат YATI — не готовая позиция сайта, а сильный сигнал о смысловой релевантности документа.

В техническом описании 2020 года Яндекс указывал, что в итоговую модель поступали тысячи факторов. Среди них находились традиционные текстовые признаки, поведенческие и контентные данные, а также результат нейросетевого анализа. Для объединения факторов использовалась технология градиентного бустинга CatBoost.

Архитектура поиска с тех пор развивалась, поэтому нельзя считать опубликованную в 2020 году схему полным описанием действующей системы. Актуальные документы Яндекса подтверждают общий принцип: формулы ранжирования создаются машинным обучением, учитывают тысячи свойств и постоянно совершенствуются.

Насколько сильно YATI влияет на выдачу

На момент запуска Яндекс называл YATI самым значительным улучшением ранжирования за десять лет. По внутренним экспериментам компании, «Палех» и «Королёв» вместе повлияли на качество меньше, чем новая трансформерная модель.

В публикации также приводился показательный эксперимент: если отключить остальные тысячи факторов и оставить только YATI, основная офлайн-метрика качества снижалась на 4–5%. Это говорит о высокой информативности модели, но не означает, что остальные факторы дают только 4–5% результата или что YATI единолично определяет выдачу. Эксперимент измерял изменение конкретной внутренней метрики на датасете Яндекса, а не долю влияния на позиции отдельного сайта.

В 2022 году Яндекс представил специализированную модель CS YATI для запросов о программировании. Она была обучена преимущественно на англоязычных технических документах, поисковой истории специалистов и экспертных оценках. CS YATI учитывала в полтора раза больше информации со страницы, чем предыдущая версия модели. Этот пример показывает, что общую трансформерную архитектуру можно дополнительно настраивать под отдельные тематические области.

Работает ли YATI в Яндексе сегодня

YATI не была публично объявлена отдельным фильтром или законченной формулой ранжирования. Это технология оценки смысловой релевантности, представленная Яндексом в 2020 году. Поиск с тех пор продолжил развиваться: появились специализированная модель CS YATI, генеративные ответы и ИИ-блендер, который в 2026 году выбирает формат ответа и источники.

В актуальной документации для владельцев сайтов Яндекс описывает не «баллы YATI», а общие требования к качеству поиска и аспекты ЭПОС: экспертность, полезность, оригинальность, смысловую полноту и удобство изложения. Поэтому корректный ответ на вопрос «работает ли YATI в 2026 году» такой: опубликованные принципы YATI остаются полезными для понимания нейросетевого ранжирования, но текущая выдача формируется более широкой системой моделей и факторов.

Проверить или измерить отдельную оценку YATI в Вебмастере нельзя. Практически оценивают показы, CTR, позиции, соответствие интенту, индексирование и поведение посетителей. Общий контекст всех основных систем собран в разборе алгоритмов Яндекса.

Что изменил YATI для SEO

YATI повысила значение смысловой полноты документа, особенно для длинных, редких и по-разному сформулированных запросов. Однако из этого не следует, что техническое SEO, ключевые слова или классические факторы больше не нужны.

Не оптимизируйте страницу под одну точную фразу

Страница должна решать информационную задачу, стоящую за группой близких запросов.

Вместо нескольких искусственно разделённых статей:

• «как выбрать электрический котёл»;

• «выбор электрокотла для дома»;

• «какой электрический котёл лучше купить» —

часто полезнее создать одну сильную страницу, которая объясняет критерии выбора, расчёт мощности, требования к электросети, расходы, ограничения и типичные ошибки.

Это помогает охватить разные формулировки одного намерения без повторения одинакового текста.

Давайте прямой ответ в начале раздела

Модель должна обнаружить релевантный фрагмент, а пользователь — быстро получить ответ. Поэтому основную мысль лучше сообщать сразу после заголовка, а затем объяснять механизм, приводить доказательства, примеры и исключения.

Плохо:

Выбор оборудования представляет собой сложный и многогранный процесс, требующий внимательного отношения к большому количеству разнообразных факторов.

Лучше:

Мощность электрического котла выбирают по теплопотерям здания, а не только по площади помещения.

Вторая формулировка сразу сообщает конкретную информацию и задаёт понятный контекст дальнейшего раздела.

Используйте язык аудитории и точные термины

Семантический поиск не отменяет ключевые слова. Названия объектов, характеристик и действий по-прежнему помогают однозначно определить тему.

На странице о ремонте стиральной машины естественно должны встречаться выражения «не сливает воду», «сливной насос», «фильтр», «шланг» и «код ошибки». Заменять их абстрактными синонимами ради «уникальности» не нужно.

Оптимальная формула — точные термины плюс понятные объяснения и естественные варианты формулировок.

Создавайте содержательную структуру

Яндекс оценивает не только наличие информации, но и то, насколько удобно её воспринимать. Официальные рекомендации советуют структурировать материал, использовать понятные заголовки и не разбивать основное содержание рекламными или мешающими блоками.

Хороший заголовок отвечает на вопрос читателя:

• «Как рассчитать мощность котла»;

• «Когда нужен трёхфазный ввод»;

• «Сколько электроэнергии расходует котёл»;

• «В каких случаях электрическое отопление невыгодно».

Заголовок «Полезная информация» не объясняет ни поиску, ни человеку, что находится в разделе.

Размещайте важную информацию в доступном тексте

Поисковый робот должен получить содержимое страницы без регистрации, ввода кода или других действий. Яндекс также анализирует title, description, микроразметку, текст, изображения и видео на этапе индексирования.

Не стоит прятать основной ответ:

• в изображении без текстового описания;

• в закрытом PDF без краткого содержания на странице;

• в интерфейсе, который не загружается без сложного JavaScript;

• в блоке, доступном только после авторизации;

• внутри видео без расшифровки или текстового резюме.

Удаляйте текст, созданный только ради объёма

YATI не даёт преимуществ длинному материалу автоматически. Чем больше на странице общих рассуждений, повторов и нерелевантных ответвлений, тем сложнее пользователю найти нужное.

Каждый раздел должен выполнять одну из функций:

• отвечать на отдельный вопрос;

• объяснять механизм;

• показывать пример;

• помогать сравнить варианты;

• предупреждать об ограничении;

• подводить к следующему действию.

Если абзац можно удалить без потери ответа, он, вероятно, не нужен.

Следите за качеством всей страницы и сайта

Смысловая релевантность — только часть ранжирования. Яндекс рекомендует отслеживать качество и безопасность сайта, его удобство, пользу для посетителей, региональность, индексирование и представление в результатах поиска. Для сайтов организаций могут дополнительно учитываться сигналы, связанные с добросовестностью компании.

Поэтому хорошая статья не компенсирует:

• недоступность сайта;

• навязчивую рекламу;

• вводящие в заблуждение условия;

• дубли страниц;

• технические ошибки;

• плохую мобильную версию;

• несоответствие страницы реальной услуге.

Как проверить страницу по принципам смыслового поиска

Перед публикацией пройдите семь проверок:

1. Задача пользователя. Сформулируйте, какое действие, решение или знание должен получить посетитель.
2. Прямой ответ. Дайте главное в начале страницы или соответствующего раздела.
3. Необходимые подтемы. Раскройте только то, без чего основной ответ будет неполным.
4. Однозначные термины. Прямо называйте товары, процессы, документы, характеристики и ограничения.
5. Навигация по смыслу. Используйте H2–H3, короткие абзацы, таблицы и списки там, где они ускоряют поиск ответа.
6. Доступность роботу. Проверьте HTTP-статус, robots.txt, canonical, дубли и наличие страницы в индексе.
7. Результат после перехода. Страница должна приводить к пониманию, выбору, расчёту, покупке или выполнению инструкции.

Для оценки результатов используйте данные Яндекс Вебмастера по запросам, показам, кликам и состоянию страниц, а пользовательские сценарии проверяйте в Яндекс Метрике. Начинать стоит с интента, структуры и прямого ответа — подробный шаблон есть в руководстве по структуре SEO-статьи. Эти данные не раскрывают «оценку YATI», но помогают обнаружить страницы, которые показываются по неподходящим запросам или не удовлетворяют ожидания посетителей.

Распространённые мифы о YATI

«После YATI ключевые слова больше не нужны»

Неверно. Модель лучше распознаёт смысловые соответствия, но точные названия сущностей и характеристики делают содержание понятнее. Кроме того, слова запроса, текст страницы, метатеги и ссылки продолжают участвовать в поисковой обработке.

«Достаточно написать длинную экспертную статью»

Объём сам по себе ничего не гарантирует. Документ должен соответствовать намерению пользователя, содержать ясный ответ и не заставлять читателя искать полезную информацию среди повторов.

«YATI оценивает только текст»

YATI была разработана прежде всего для оценки смысловой связи текстов. Но итоговое ранжирование учитывает множество других характеристик документа и сайта. Поэтому нельзя переносить свойства одной модели на всю систему поиска.

«Для продвижения нужно добавить больше синонимов»

Механическое добавление синонимов создаёт не смысловую полноту, а текстовый шум. Полезнее раскрыть причины, критерии выбора, ограничения, примеры и следующие действия пользователя.

«Если позиции упали, сайт попал под YATI»

Яндекс не описывает YATI как отдельный фильтр или санкцию. Позиции меняются из-за обновлений поисковой базы и алгоритмов, появления более релевантных конкурентов, изменений страницы, проблем с индексированием и множества других причин.

Главное о YATI

YATI — трансформерная технология оценки смысловой релевантности запроса и веб-страницы. Она анализирует контекст, выделяет важные фрагменты документа и помогает находить полезные ответы даже при отсутствии точного совпадения формулировок.

Чтобы применить тяжёлую модель в поиске, Яндекс объединил несколько инженерных решений: специализированное предварительное обучение, последовательное дообучение на пользовательских и экспертных сигналах, дистилляцию знаний, многозадачность и раздельную обработку запроса и документа.

Для владельца сайта практический вывод прост: не существует отдельной настройки «под YATI». Необходимо создавать индексируемые страницы, которые точно решают задачу пользователя, содержат конкретные ответы, используют понятную терминологию и позволяют быстро найти нужную информацию.

Именно такие документы полезны независимо от того, какая версия нейросетевой модели участвует в ранжировании сегодня.

Частые вопросы

Что такое YATI простыми словами?

YATI — нейросетевая технология Яндекса, которая сопоставляет запрос с фрагментами страницы по смыслу. Она учитывает контекст слов и помогает находить релевантный документ без полного совпадения фраз.

Работает ли YATI в 2026 году?

Принципы YATI остаются частью истории и развития нейросетевого поиска Яндекса, но отдельную действующую версию или её вес Яндекс не раскрывает. Текущая выдача использует более широкую систему моделей и факторов.

Чем YATI отличается от «Палеха» и «Королёва»?

«Палех» сравнивал запрос преимущественно с заголовком, «Королёв» расширил анализ до содержимого страницы, а YATI применил трансформер и внимание для более точной работы с контекстными фрагментами.

Нужно ли отдельно оптимизировать сайт под YATI?

Отдельной настройки нет. Нужны индексируемая страница, прямой ответ на запрос, содержательная структура, точные термины, полезные примеры и отсутствие текстового шума.

Нужны ли ключевые слова после внедрения YATI?

Да. Точные названия сущностей и характеристики помогают поиску и человеку понять содержание. Использовать их нужно естественно, без повторов ради плотности.

Может ли YATI быть причиной падения позиций?

YATI не описывается Яндексом как фильтр. Падение может быть связано с изменениями спроса, индекса, конкурентов, самой страницы, техническими ошибками и обновлениями множества систем ранжирования.

Источники

• YATI: улучшение нейросетевого ранжирования в поиске Яндекса
• Десять лет нейросетей в поиске Яндекса
• CS YATI — специализированная нейросеть для программного кода
• ИИ-блендер поиска Яндекса в 2026 году
• Как Яндекс оценивает качество поиска
• Рекомендации Яндекса по ранжированию сайта
• Оценка страниц по аспектам ЭПОС

Материалы по теме

Что изучить дальше