AI 搜索引擎正逐漸取代傳統(tǒng)搜索入口，「問 AI」已經(jīng)成為日常習(xí)慣。隨著 OpenAI 宣布在 ChatGPT 中引入商業(yè)推薦，搜索與內(nèi)容分發(fā)的邊界正在被重新定義。在這樣的環(huán)境下，你的內(nèi)容能否在 AI 搜索中成為「爆款」，不再只取決于標(biāo)題和流量，而是更大程度取決于 AI 本身的引用偏好。

你不只是和其他網(wǎng)頁爭(zhēng)排名，而是在爭(zhēng)奪被AI「采納進(jìn)答案」的份額。被引用的網(wǎng)頁未必最權(quán)威、也未必最早發(fā)布，它往往只是有更「適合被拼進(jìn)回答」的寫法。

卡內(nèi)基梅隆大學(xué)的研究團(tuán)隊(duì)發(fā)表在 ICLR 2026 的這篇論文把這種新流量密碼解碼得很直白。

論文、代碼、模型參數(shù)、試用 Demo 見

Github。

• 論文標(biāo)題：What Generative Search Engines Like and How to Optimize Web Content Cooperatively
• https://github.com/cxcscmu/AutoGEO
• Github：

01 GEO：從 ranking 變成

「visibility in answers」

傳統(tǒng)搜索的基本動(dòng)作是「檢索 + 排序」：給你一串鏈接，用戶自己點(diǎn)擊閱讀。

生成式搜索引擎（Generative Engines，GE），例如 Google AI Overview、ChatGPT，正在形成新的流量規(guī)則。這類引擎的基本動(dòng)作通常是「檢索 + 綜合 + 生成」，先檢索候選文檔，再讓 LLM 把內(nèi)容整合成一段答案，順帶附上引用來源。

這帶來一個(gè)結(jié)構(gòu)性變化：內(nèi)容的曝光不再等于「排第幾」，而是等于在答案中被寫進(jìn)多少、寫在多靠前的位置、以怎樣的方式被引用。也因此，過去那種「寫得更 SEO」未必等于「更容易被生成式引擎吸收」。

于是出現(xiàn)了Generative Engine Optimization（GEO），優(yōu)化網(wǎng)頁內(nèi)容以提高被 AI「采納進(jìn)答案」的份額。但現(xiàn)有的 GEO 多靠人工啟發(fā)，比如加統(tǒng)計(jì)、關(guān)鍵詞策略、強(qiáng)調(diào)流暢等，依靠直覺和經(jīng)驗(yàn)。

更麻煩的是：如果你為了被引用而改寫，可能會(huì)傷害生成式引擎輸出的可靠性與效用。這就是論文不斷強(qiáng)調(diào)的「合作式（Cooperative）」立場(chǎng)：優(yōu)化可見性，不能以犧牲引擎效用為代價(jià)。

02 AutoGEO：用最大反差樣本，

把偏好從玄學(xué)變成規(guī)則集

這篇論文的核心貢獻(xiàn)是提出 AutoGEO：先從大量「可見性有差異」的對(duì)比證據(jù)里，自動(dòng)抽取生成式引擎偏好規(guī)則；再用這些規(guī)則去改寫網(wǎng)頁，并且把對(duì)引擎效用（Generative engine utility，GEU）的影響納入評(píng)估。他們還訓(xùn)練出一個(gè)小模型 AutoGEO Mini，推理成本只有 API 方案的 ~0.0071x。

AutoGEO：規(guī)則發(fā)現(xiàn) -> 規(guī)則驅(qū)動(dòng)改寫（API / 小模型）的整體框架。

AutoGEO 的第一步不是改寫網(wǎng)頁，而是學(xué)習(xí)「口味」。作者把生成式引擎抽象為：對(duì)每個(gè) query，引擎檢索候選網(wǎng)頁集合，再用 LLM 生成答案。隨后計(jì)算每個(gè)候選網(wǎng)頁在答案中的可見性分?jǐn)?shù)。可見性分?jǐn)?shù)沿用 GEO 系列客觀指標(biāo)衡量：不僅看引用字?jǐn)?shù)（Word），還看引用位置權(quán)重（Pos），以及綜合指標(biāo)（Overall）。

關(guān)鍵設(shè)計(jì)在于「證據(jù)選擇」：對(duì)每個(gè) query，他們不做平均對(duì)比，而是挑一對(duì)可見性差距最大的網(wǎng)頁。使用這樣一對(duì)一個(gè)被大量吸收、一個(gè)幾乎沒被用的文檔，也就最容易看出偏好差異的「判別特征」。

接下來是四段式 LLM 處理步驟，把海量對(duì)比樣本壓縮成可執(zhí)行規(guī)則：

• Explainer：對(duì)比兩篇文檔與最終答案，生成自然語言解釋（它們哪里不同、為何可能導(dǎo)致引用差異）。
• Extractor：把解釋提煉成結(jié)構(gòu)化 insights（偏好因素的要點(diǎn)化表達(dá)）。
• Merger：把成千上萬條 insights 合并成候選規(guī)則。為了可擴(kuò)展性，論文設(shè)計(jì)了 Hierarchical merging，解決「上萬樣本 -> 穩(wěn)定規(guī)則」的合并瓶頸。
• Filter：過濾掉噪聲、歧義與不穩(wěn)定規(guī)則，得到最終規(guī)則集。

03 怎么用：

即插即用與超低成本可部署

AutoGEO 的第二步才是改寫：讓網(wǎng)頁更符合規(guī)則，從而更可能被生成式引擎引用。

路線 A：AutoGEO API（Prompt-based，即插即用）

把規(guī)則集直接嵌入 prompt 的「Quality Guidelines」，調(diào)用強(qiáng) LLM API 如 Gemini、GPT 完成重寫。優(yōu)點(diǎn)是無需訓(xùn)練、部署快；缺點(diǎn)是成本和吞吐受 API 限制。

路線 B：AutoGEO Mini（RL-based 小模型，超低成本可部署）

作者微調(diào)小模型做同樣的改寫，并用強(qiáng)化學(xué)習(xí)把「可見性提升」與「合作式約束」綁定在一起。

• Cold start：先用 AutoGEO API 做 Teacher 生成改寫數(shù)據(jù)，對(duì)小模型做 SFT，避免 RL 初期發(fā)散。

• GRPO 強(qiáng)化學(xué)習(xí)：同一文檔采樣一組候選改寫，按獎(jiǎng)勵(lì)學(xué)習(xí)。獎(jiǎng)勵(lì)由三部分組成：Outcome reward（改寫是否提升可見性）、Rule reward（是否滿足抽取到的規(guī)則）以及Semantic reward（語義是否忠實(shí)原文）。

04 怎么評(píng)估「有效且不作惡」

這篇論文的評(píng)估不只刷可見性指標(biāo)，還顯式評(píng)估引擎效用（Utility）是否被破壞。論文實(shí)驗(yàn)涵蓋三個(gè)數(shù)據(jù)集GEO-Bench、Researchy-GEO、E-commerce，分別測(cè)試 AutoGEO 在不同領(lǐng)域、不同意圖環(huán)境中的性能。

同時(shí)，實(shí)驗(yàn)考慮基于多種前沿 LLM的 generative engine，包含 Gemini、GPT、Claude。

實(shí)驗(yàn)指標(biāo)主要分兩類：

• GEO：度量網(wǎng)頁在答案中的可見性，沿用 GEO 的三類指標(biāo) Word / Pos / Overall；

• GEU：衡量合作程度，也即答案質(zhì)量，度量生成式引擎答案與真實(shí)答案的相關(guān)性、忠實(shí)性與質(zhì)量。

實(shí)驗(yàn)結(jié)果表明，AutoGEO API 與 AutoGEO Mini 在多個(gè)設(shè)置下顯著提升可見性指標(biāo)，尤其 AutoGEO API 的提升幅度很大，比最強(qiáng)的基線模型高 50.99%。

三大數(shù)據(jù)集上的總體對(duì)比：AutoGEO API / AutoGEO Mini 顯著優(yōu)于基線。

論文把合作式的承諾落在 GEU 指標(biāo)上：在大幅提升 GEO 指標(biāo)的同時(shí)，GEU 多數(shù)情況下與 Vanilla 接近。

這點(diǎn)很關(guān)鍵：GEO 如果只看「我被引用了多少」，會(huì)不可避免把互聯(lián)網(wǎng)推向噪聲與操縱；但如果把 GEU 納入硬指標(biāo)，至少為「優(yōu)化的邊界」提供了可討論的標(biāo)準(zhǔn)。

不同引擎下，可見性（GEO）與效用（GEU）并列對(duì)比。

05 發(fā)現(xiàn)：規(guī)則并不通用

規(guī)則既有共識(shí)，也有碎片化風(fēng)險(xiǎn)。

如下圖 (a)，論文顯示不同 LLM 引擎之間偏好規(guī)則重疊度不低，說明存在「通用型好寫法」；但仍有 engine-specific 的獨(dú)特規(guī)則。更劇烈的是圖 (b) domain shift：從開放域數(shù)據(jù)集遷移到電商意圖，規(guī)則重疊顯著下降；并且電商更偏好 actionable guidance（可操作步驟、建議），研究類更偏好 in-depth explanation（機(jī)制、原因、背景的解釋深度）。

不同領(lǐng)域 / 任務(wù)下的共通規(guī)則與獨(dú)特規(guī)則示例：一套寫法可能跨域失靈。

這對(duì)內(nèi)容生態(tài)是一個(gè)直接的信號(hào)：未來可能出現(xiàn)「同一頁面多版本」，分別迎合不同引擎，甚至按領(lǐng)域意圖維護(hù)不同寫作模板。

06 小結(jié)

AutoGEO 給內(nèi)容方打開了一扇門：偏好可以被抽取、規(guī)則可以被更新、改寫可以被訓(xùn)練、成本可以被壓到極低。

生成式搜索時(shí)代的一個(gè)新現(xiàn)實(shí)是：你寫給人看的網(wǎng)頁，可能首先要通過「答案機(jī)器的消化系統(tǒng)」。下一步怎么走，決定互聯(lián)網(wǎng)會(huì)更透明，還是更像一場(chǎng)模型與模型之間的軍備競(jìng)賽。接下來真正的競(jìng)爭(zhēng)不僅在內(nèi)容方，也在引擎與生態(tài)治理：

• 當(dāng)大量網(wǎng)頁開始「為引用而寫」，引擎還能否區(qū)分「更有信息量」與「更像會(huì)被引用的信息」？

• 如果平臺(tái)開始頻繁更新偏好以對(duì)抗被規(guī)?；希欠駮?huì)出現(xiàn)一場(chǎng)持續(xù)的「規(guī)則 - 反規(guī)則」軍備競(jìng)賽？

AutoGEO 把 GEO 從玄學(xué)推進(jìn)到工程，也把生成式搜索的下一輪博弈，提前公開了。

作者簡(jiǎn)介

本文作者來自于卡內(nèi)基梅隆大學(xué)計(jì)算機(jī)學(xué)院語言技術(shù)研究所 CX Research Group，指導(dǎo)老師是 Chenyan Xiong 教授。組內(nèi)研究聚焦于語言模型，主要包括基礎(chǔ)模型訓(xùn)練，與深度研究、RAG 有關(guān)的信息檢索和生成，以及語言模型的應(yīng)用。團(tuán)隊(duì)主頁：https://www.cs.cmu.edu/~cxcscmu/。歡迎大家關(guān)注我們團(tuán)隊(duì)的最新研究成果！