была слишком медленной для ранжирования в реальном времени. Затем они дистиллировали её в набор более лёгких моделей: двунаправленный энкодер vBERT, би-энкодер, эмбеддер и лёгкий кросс-энкодер (LCE). Эмбеддер используется для генерации кандидатов с помощью HNSW-индекса, би-энкодер — для чернового ранжирования, а LCE — для финального переранжирования. Эти модели были добавлены как дополнительный фактор в существующий ансамбль, а не заменили его. Изменения привели к увеличению релевантных изображений в верхней части выдачи на 4% благодаря би-энкодеру и кросс-энкодеру, и на 5% в сумме с учётом эмбеддера. Ключевой идеей было вычислять эмбеддинги документов офлайн и вычислять только запросную часть и агрегацию в реальном времени, что обеспечивает обработку десятков тысяч запросов в секунду.