Generative self-retrieval · Auto-récupération générative
La generative self-retrieval désigne le fait qu’un LLM « va chercher » une information dans sa propre mémoire (ses poids), sans source externe, avant de rédiger sa réponse. C’est ce qui permet à un modèle de citer une marque même quand aucune recherche web n’est lancée.
Définition autonome · 46 mots
Comment fonctionne la generative self-retrieval dans un LLM
Pendant l’entraînement, le modèle stocke des associations entre mots, entités et faits dans ses poids. Des travaux comme Geva et al. (2021) montrent que les couches feed-forward agissent comme une mémoire clé-valeur. Au moment de répondre, le modèle « rappelle » ces associations, comme une recherche interne.
Pourquoi la generative self-retrieval compte pour le GEO
Une partie des réponses IA ne passe pas par le web. Dan Petrovic (DEJAN) insiste sur ce point : si votre marque n’est pas bien ancrée dans la mémoire du modèle, elle n’apparaît pas dans ces réponses, même avec un bon SEO. Le RAG, lui, n’aide que quand une recherche est lancée.
Comment renforcer sa présence dans la mémoire des modèles
Être cité souvent, au même endroit que les bons sujets, sur des sources reprises dans les données d’entraînement (presse, Wikipédia, forums, Common Crawl). La cohérence compte : même nom, même description, mêmes catégories partout.
Questions fréquentes sur Generative self-retrieval
La generative self-retrieval est-elle la même chose que le RAG ?
Non. Le RAG va chercher des documents externes. La self-retrieval puise dans la mémoire interne du modèle.
Peut-on mesurer ce que le modèle sait de sa marque ?
Oui, en interrogeant l’API sans recherche web et en répétant les prompts. Certains vont plus loin avec les logprobs.
Termes liés à Generative self-retrieval
Approfondir : Generative self-retrieval
Sources de la définition Generative self-retrieval
- Geva et al., « Transformer Feed-Forward Layers Are Key-Value Memories » (2021)
- Lewis et al., « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks » (2020)
- Dan Petrovic (DEJAN), travaux sur la mémoire des modèles et la visibilité de marque (2025)