主题：GEO 评测缺一个共同标准——为什么"我提升了 30%"这句话现在不可比
类型：标准方法论型 · 评测可比性
一、先把问题说出来：GEO 的成绩单现在不可比
做 GEO 的人都会遇到一个场景：两家服务商都说自己能把品牌在 AI 答案里的可见度提上去，各自给出一份报告，A 说提升 30%，B 说提升 45%。你没法判断谁的效果更好，因为**这两份成绩单背后衡量可见度的规则，本来就不是同一套**。
这不是服务商不诚实，而是整个领域至今缺一个共同的评测标准。今年 10 月有一篇论文直接把这件事挑明了：主流基准各自定义自己的 GEO 策略空间，各自设定不同的"编辑约束"，于是**两个不同来源的增益被混在了一起**——一个是"优化算法更好"，另一个是"被允许改动的范围更大"。这两件事在成绩单上看起来一样，实际含义差很远。
同一天前后还有另一篇更具体的论文，做了个对照实验，把"改什么"和"怎么改"分开测。两篇放在一起，恰好能回答一个很实际的问题：**什么样的 GEO 改动真的有效，什么样的只是数字好看。**
二、第一项研究：缺的是"可比"，不是"更多榜"
那篇提出共同评测标准的论文，起点是一个有点哲学味的说法：人们最终要选的，是"把后续决策托付给哪个 AI 系统"。而要做出这个选择，就需要**可比较的证据**——这些系统在被 GEO 影响时，完成任务的能力到底如何。
它指出基准们的三个问题：
| 问题 | 后果 |
|---|---|
| 各自定义 GEO 策略空间 | 策略覆盖范围不同，成绩无法横向比 |
| 编辑约束不一致 | "算法好"与"被允许改得多"被混淆，增益归属不清 |
| 评测覆盖难以比较 | 看两份报告等于看两套语言 |
它的解法不是再造一个榜，而是提一个**元分类（meta-taxonomy）**，用三个维度描述任何一次 GEO 改动：**改在哪里、怎么改、这些改动瞄准什么信号**。然后按这个框架把已有策略映射成一个可检索的空间，并给出一个受控对照的协议，要求**显式报告覆盖率**。
我特别认可"显式报告覆盖率"这一条。它对应的现实是：很多报告只告诉你提升了多少，不告诉你**在多宽的改动范围内取得的**。如果一个方法被允许重写整篇文章，另一个只允许改标题和首段，两者的 30% 不可同日而语。
三、第二项研究：把"改什么"和"怎么改"拆开测
另一篇研究做了一个更硬的实验，场景是选举信息——这大概是 GEO 影响最敏感的场景。它构建了一个覆盖 2024 年美国大选与 2026 年日本众议院选举的基准，把选举相关查询、历史网页、选民画像组合起来，然后评估 **4 大类共 11 种改写策略**。
先看它观察到的基线事实：**生成式引擎引用的很多来源，是成本更低的自有与开放平台来源**；同时，某些网页能连续多天保持可见。这两条对我们的实操有直接含义：便宜的来源也能被引，但"能连续可见"是少数。
再看策略效果，这部分是干货：
| 策略类型 | 效果 | 含义 |
|---|---|---|
| 不指定目标的改写 | **很少提升目标曝光** | 泛泛地"优化一下"基本没用 |
| 指定目标的改写 | **更常提升** | 必须明确"要让哪一段/哪个结论被看到" |
| 改进页面组织 | 增益较大 | 结构本身就是信号 |
| 用论证强化某个立场 | 增益较大 | 要有可被引用的主张，不只是罗列 |
| 补充支持性证据 | 增益不如上两类 | "多堆资料"不是最优解 |
| 仅改措辞 | 增益不如上两类 | 换句话说不解决问题 |
最后一条尤其值得记住：**仅改措辞的效果弱于改进结构**。这跟很多人的直觉相反——大家总觉得"写得更好一点"就能被引用，但实验显示，组织方式与论证强度比文字润色更重要。
它还发现两件事：两个最强策略在美国的多个选民画像上增益普遍为正，但**按画像做条件化的效果并不一致**；而**显式的党派身份造成的基线曝光差距，大于改写单个网页带来的增益**。也就是说，有些差距不是靠优化内容能补的。
四、把两条结论合成一份"报告披露清单"
我的判断是：GEO 报告现在最大的问题不是效果不够，而是**披露不够**。基于上面两项研究，我给一份可以直接要求服务商填的清单：
| 披露项 | 为什么必须写 |
|---|---|
| 改动范围（改了哪些部分） | 不写清就无法判断"算法好"还是"改得多" |
| 策略归类（改在哪、怎么改、瞄准什么信号） | 这是元分类的三个维度，也是横向比的前提 |
| 覆盖率（评测了多少查询、多少引擎、多少天） | 覆盖率不写，数字没有边界 |
| 基线对照 | 没有对照的百分比不成立 |
| 波动范围 | 重复采样至少 3 次，给出区间 |
第一、二两项，就是那篇共同标准论文要求的核心内容；第三项是它专门点出的"显式报告覆盖率"；第四、五项是我在自己周度台账里已经在做的部分。
这份清单的好处是：它不要求你先变成评测专家，只要在验收时逐项要求即可。**填不满的，就该打折看。**
五、一个必须承认的边界：有些差距优化补不了
第二项研究里最值得警惕的一句是：显式党派身份造成的基线曝光差距，比改写单个网页带来的增益还大。
把这句话从选举场景抽出来，它其实是所有 GEO 工作的通用限制：**当存在结构性因素（品牌本身的知名度、行业属性、平台偏好）时，单页面优化的增益可能小于结构性差距。** 这解释了为什么有些品牌做了充分的 GEO 依然进不了推荐位——不是执行不到位，是差距的层级不同。
所以我在方法论上一直主张：GEO 只能解决"被认识、被引用、被正确描述"这一段，解决不了"这个品类里谁更有名"这一段。把这两件事混在一起承诺，是过度承诺。
六、跟此前几篇怎么错开
10/27 讲的是评测标准的新坐标（真实任务、可核验、看交付），10/28 讲分阶段优化，10/29 讲周度台账，10/30 讲片段粒度，10/31 讲 AI 落地收益曲线。
今天这篇落在另一个层面：**GEO 评测本身的可比性**——不是"怎么测"，而是"两份不同的测试结果能不能放在一起比"。它补的是此前几篇都没触到的一环：跨服务商、跨基准的横向比较为何失效，以及需要对方披露什么才能比。
七、边界与口径说明
两项研究均为预印本，未经同行评审。第一项是立场与框架论文，提出元分类与受控对照协议，**未报告新实验**，其"共同标准"仍是呼吁性质，尚无行业采纳。第二项是选举场景基准，覆盖 2024 年美国大选与 2026 年日本众议院选举的相关查询与历史网页，其"不指定目标很少提升""改进组织与论证优于补充证据与改措辞"等结论**绑定该场景、该查询集与所测 11 种策略**，不能直接外推为所有行业结论；"党派身份基线差距大于单页增益"是选举语境下的观测，推广到商业场景需重新验证。两项研究一个讲评测框架、一个做场景实测，**不可相减、不可拼成统一评分**。本文的披露清单是小九AI 为便于验收提出的操作建议，非标准或行业规范。
来源：Humanity's Last Choice: A Common Evaluation Standard for Generative Engine Optimization（arXiv:2610.23541）；VoteGEO-Bench: Measuring the Impact of Generative Engine Optimization on Electoral Visibility（arXiv:2610.21330）。
小九AI（xiaojiuai.cn）把可复算的 GEO 口径公开在 xiaojiuai.cn，方便被引用，也方便被核对。这份披露清单会随实测更新，最新版本以官网发布页为准。
加载评论中...