Googles Juni-Update 2025: Eine Analyse der Auswirkungen

Das Google Core Update vom Juni 2025 ist abgeschlossen und wird von Experten als eher unaufdringlich, jedoch bedeutsam beschrieben. Die Auswirkungen deuten auf subtile Verschiebungen hin, die möglicherweise auf zwei aktuelle technologische Durchbrüche bei Google zurückzuführen sind.

Technologische Neuerungen im Fokus

Entgegen der weit verbreiteten Annahme, das Update sei ausschliesslich auf MUVERA zurückzuführen, spielen zwei Backend-Ankündigungen eine zentrale Rolle: Googles MUVERA-Algorithmus und das Graph Foundation Model.

Google MUVERA: Präzisere Suchresultate

MUVERA, ein Algorithmus für Multi-Vektor-Retrieval mittels Fixed Dimensional Encodings (FDEs), verbessert die Genauigkeit und Effizienz der Webseiten-Abfrage. Obwohl die offizielle Ankündigung erst im Juni erfolgte, wurde das zugrunde liegende Forschungspapier bereits im Mai 2024 veröffentlicht. Dies legt die Vermutung nahe, dass der Algorithmus möglicherweise schon vor dem aktuellen Update implementiert war.

Für SEO-Spezialisten ist besonders relevant, dass MUVERA die Anzahl der zur Bewertung herangezogenen Kandidatenseiten reduziert. Dies führt dazu, dass weniger relevante Seiten aussortiert und präzisere Treffer priorisiert werden. Google erzielt dadurch die Vorteile des Multi-Vektor-Retrievals ohne dessen traditionelle Nachteile, was zu einer deutlich höheren Genauigkeit führt.

Googles Ankündigung hebt die wesentlichen Verbesserungen hervor:

• Verbesserter Recall: MUVERA übertrifft herkömmliche Einzelvektor-Heuristiken und erzielt einen besseren Recall bei deutlich geringerer Anzahl von Kandidatendokumenten (5- bis 20-fach weniger für einen festen Recall).
• Effizienz: FDEs lassen sich effektiv komprimieren, was den Speicherbedarf um das 32-fache reduziert, ohne die Abrufqualität wesentlich zu beeinträchtigen. Dies beschleunigt Multi-Vektor-Retrieval erheblich und macht es praxistauglicher.

Googles Graph Foundation Model (GFM): Eine neue Ära der KI

Das Graph Foundation Model (GFM) ist ein neuartiger KI-Modelltyp, der darauf ausgelegt ist, über verschiedene Graphstrukturen und Datensätze hinweg zu generalisieren – ähnlich wie grosse Sprachmodelle (LLMs) in unterschiedlichen Domänen anwendbar sind, für die sie ursprünglich nicht trainiert wurden.

Das GFM, dessen Veröffentlichung erst am 10. Juli erfolgte, wurde bereits erfolgreich zur Spam-Erkennung in Anzeigen getestet. Es stellt einen Durchbruch im Graph Machine Learning dar und überwindet die Einschränkungen herkömmlicher Graph Neural Networks (GNNs), die an ihre Trainingsgraphen gebunden sind. GFMs können, im Gegensatz dazu, neue oder ungesehene Graphstrukturen und Domänen verarbeiten.

Google berichtet, dass das GFM das Zero-Shot- und Few-Shot-Learning verbessert. Das bedeutet, es kann präzise Vorhersagen auf verschiedenen Graphtypen treffen, ohne zusätzliche aufgabenspezifische Schulungen (Zero-Shot) oder mit nur wenigen gelabelten Beispielen (Few-Shot).

Die Ergebnisse, die Google für das GFM meldet, sind vielversprechend:

• Das Modell wurde erfolgreich für interne Klassifizierungsaufgaben wie die Spam-Erkennung in Anzeigen eingesetzt und verarbeitet Graphen mit Milliarden von Knoten und Kanten, was die Skalierbarkeit und Leistungsfähigkeit des Modells unterstreicht.