CN-GEO · 信源偏好研究
Research Brief · 2026.07

为什么不同 AI 平台会偏好不同信源？

先给结论：根源来自三项差异。平台拥有不同的 可见世界、效用函数与压缩预算。

01

可见世界

索引、权限、内容生态、解析能力与搜索供应商共同定义候选集合。

02

效用函数

相关性、时效、权威、风险、产品适配与成本的权重各自不同。

03

压缩预算

时延、算力、上下文长度和引用位决定最终能保留多少证据。

00 · DEFINITION

“偏好”是一种条件概率

平台、终端、问题、地区和时间共同构成测量条件。任何脱离条件的单次排名， 都只能视为一次样本。

在给定平台、终端、问题、地区和时间条件下，某个信源通过多级筛选并最终进入引用， 对应一个更高的条件概率。
214,119 CN-GEO 原始引用记录
12 AI 平台与终端代码
609 有编号的问题样本
24,274 统计前需剔除的精确重复记录
01 · EVIDENCE

仓库数据呈现稳定的平台指纹

精确去重后的引用结构显示，自有生态、产品形态和开放网页能力共同塑造来源分布； 同一集团产品也会出现明显的终端差异。

横向滑动查看完整平台表
平台 主要特征 结构判断
百度 AI 网页版 百度生态占 37.67%；等效信源数约 6.4 头部集中度高
文心网页版 百度生态占 28.97%；等效信源数约 9.0 集团生态显著
豆包 Web / App 字节生态占 19.62% / 34.01%；App 端抖音占 28.14% 移动端原生内容更强
腾讯元宝 Web / App 腾讯网占 20.51% / 18.72% 双端保持集团来源优势
千问 Web / App 阿里生态占 19.23% / 5.88% 同产品终端差异显著
DeepSeek Web / App 第一域名占 4.74% / 5.16%；等效信源数约 109 / 96 开放网页来源池最分散
Kimi 网页版 搜狐占 15.84%，其后为博客园、网易 形成独立来源池结构
AI 抖音网页版 188 条有效记录全部来自抖音视频 产品形态高度决定来源

口径：按精确引用记录去重后复算；AI 抖音样本量较小，解读需保留边界。

FIGURE 01

自有生态提高了进入候选池的概率

集团生态份额能解释一部分平台指纹，DeepSeek 的高分散结构提供了对照。

FIGURE 02

终端改变了用户能看到的来源集合

域名口径比精确页面口径更宽松；两种测量均显示 Web 与 App 存在结构差异。

QUESTION SENSITIVITY

旅游代理池从 4 题扩展到 10 题后，各平台 TOP10 的中位 Jaccard 重合度为 42.9%，12 个平台中有 4 个更换第一信源。 问题组合会改变被观察到的“偏好”。

02 · MECHANISM

一次回答要通过六道门

引用结果位于一条长链路的末端。每道门都能改变候选范围、证据权重与最终可见性。

模型内部知识
→
搜索触发
查询改写
→
候选信源池
→
检索与排序
→
上下文装配
→
模型吸收与生成
→
归因与界面展示

横向滑动查看完整链路

  1. 01

    模型内部知识不同

    训练数据、截止时间、品牌记忆与实体关系编码形成各自的参数化知识。 回答还可能在引用之外调用这些记忆，并影响搜索是否触发。

    中文平台论文：约 13% 的品牌曝光无法匹配当次引用池；约 71% 的联系方式曝光无法匹配抓取正文。

  2. 02

    搜索触发与查询改写不同

    子查询数量、语言、地域、多跳策略和搜索触发阈值共同决定检索宽度。

    海外实验平均引用数：ChatGPT 6.88、Google 12.06、Perplexity 16.35。

  3. 03

    候选信源池不同

    自有索引、稳定 ID、权限、实时更新和专门解析能力，都会降低某类内容的访问成本。 robots、登录墙、版权与反爬会让部分页面失去候选资格。

    自有生态的抓取成功率、元数据完整度与时延优势，可在无显式集团加权规则时形成结构倾斜。

  4. 04

    排序目标与预算不同

    平台在相关性、时效、权威、抽取性、多样性、风险、时延和成本之间分配权重。 问题类型会重排这些权重，并改变最优来源集合。

    中文平台论文：高时效问题的引用页面半衰期约 39 天，低时效问题约 68 天。

  5. 05

    模型对证据的说服力判断不同

    进入上下文的页面仍要经历二次选择。模型更重视与问题的直接相关性， 对人类常用的科学引用、中性语气等可信度线索反应较弱。

    仓库实验：LLM 相关性与引用吸收强度的相关系数最高，r = 0.432。

  6. 06

    引用展示执行最后筛选

    句子归因、多来源合并、引用位限制、URL 规范化和终端组件适配， 决定用户最后看见哪些来源。

    检索、模型使用、引用展示与品牌曝光是四个独立结果。

03 · UTILITY

平台在有限预算下求解自己的最优证据集

候选集合、目标权重和预算同时变化，来源集合自然会分化。这个模型也解释了问题类型与终端为何能重排信源。

Sp* = arg max [wrR + wfF + waA + weE + wdD + wxX − whH − wlL − wcC]
R

相关性

页面与用户问题及子查询的直接匹配程度。

F

时效性

发布、更新、事件发生与索引刷新之间的时间差。

A

权威代理

机构属性、域名历史、引用网络与内容责任主体。

E

可抽取性

定义、数字、比较、步骤和清晰段落带来的证据密度。

D + X

多样性与产品适配

来源去重、内容类型覆盖及与平台原生组件的匹配。

H + L + C

风险、时延与成本

错误与合规风险、响应时间、搜索抓取和推理成本。

医疗、金融等高风险问题

机构权威、可追责性与安全权重上升，来源池趋向官方和专业机构。

突发事件与价格等时效问题

新鲜度、实时索引与更新频率权重上升，稳定老页面的优势下降。

04 · FIRST PRINCIPLES

第一性原理来自有限资源下的信息压缩

AI 搜索面对的信息世界不完整、动态且相互冲突。它必须从中选择少量证据，再压缩成可用答案。

AI 搜索在有限的算力、时延、上下文、风险与商业预算下， 从不完整的信息世界中选择少量证据，并压缩成可用答案。

01

选择必然发生

一次回答无法读取整个互联网，候选集合从第一步就已受限。

02

代理指标必然出现

相关性、权威、时效与来源类型用于近似判断价值和可信度。

03

平台差异必然存在

索引、模型、产品目标、成本与风险权重各自不同。

04

集中效应必然放大

有限引用位提高了头部来源、知名度与跨来源重复的优势。

05

随机波动必然保留

检索采样、索引更新与 A/B 实验带来波动。

REPEATED MEASUREMENT

《Don’t Measure Once》在同日重复运行中观察到，来源集合平均重合度约为 0.32–0.43；按引擎计算，从 ChatGPT 的 0.233 到 Gemini 的 0.505。 信源偏好需要用多问题、多次运行与多时间点的分布衡量。

THE MULTIPLICATIVE MODEL

信源偏好 = 候选池偏差 × 检索排序偏差 × 模型吸收偏差 × 产品展示偏差 × 时间与随机性

05 · GEO ACTION

GEO 需要同时经营覆盖、入口与吸收

候选池和排序决定谁能进入，模型吸收决定谁影响答案，产品展示决定谁被用户看见。

LAYER 01 · COVERAGE

通用权威信源

承担跨平台基础覆盖，为事实、实体和品牌关系提供稳定锚点。

  • 官网与权威机构
  • 主流媒体与行业垂类
  • 可验证的公共数据
LAYER 02 · ENTRY

平台原生生态

提高特定平台的候选资格与检索命中率，适配其内容类型和组件。

  • 视频、图文与问答原生格式
  • 平台内稳定账号与页面 ID
  • 本地生活、地图与交易信息
LAYER 03 · ABSORPTION

结构化证据页

提高进入上下文后的吸收深度，让模型能快速定位和复用证据。

  • 定义、数字与对比
  • 步骤、边界与更新时间
  • 清晰标题和可独立引用段落

测量单位必须拆开

01 平台
02 终端
03 问题类型
04 采集时间
06 · BOUNDARIES

现有证据能识别结构，无法还原全部内部因果

仓库数据适合测量来源覆盖、平台差异与问题敏感性。平台内部的检索日志、排序权重和 A/B 规则仍不可见。

当前可以判断

  • 不同平台与终端的来源分布存在结构差异。
  • 问题组合会改变 TOP 来源与长尾构成。
  • 相关性与结构化证据更接近吸收深度。
  • 重复运行能够揭示随机波动范围。

当前仍需补充

  • 回答级原文、模型版本、运行批次与准确采集时间。
  • 搜索触发、查询改写、候选集和排序分数日志。
  • 引用展示与品牌曝光之间的逐句归因。
  • 更均衡的问题池及跨地区、跨时段复测。