大家好，我是Neo。

如果你在做 GEO，你大概见过这类报表截图：某个平台把“AI 引用的位置”画成一条漂亮的下降曲线——排在第一的结果引用率最高，越靠后越低，配一句“所以要抢首选来源”。

9月14日，arXiv 上挂了一篇论文，标题叫 CITECHOICE: A Causal Audit of How Document Presentation Redistributes Citation Credit in Agentic Search（作者 Sriram Selvam 和 Anneswa Ghosh）。它做的事很简单，但结论对所有人的报表都是坏消息：

那条“位置越高、被引用越多”的曲线，绝大部分不是位置的功劳，而是“搜索引擎本来就把更相关的东西排在前面”。

这篇我把它拆成三层：他们怎么做的、三个结论分别是什么、以及独立站该怎么改自己的评测方法。

论文做的是一件“反常识”的实验

先看这条曲线长什么样。在他们的数据里，一次搜索调用中排在第 1 位被暴露的文档，被引用的概率是 85.1%；排第 5 位的是 42.8%。差 42.3 个百分点。

任何人看到这个数字都会得出“位置很重要”的结论。但论文指出：位置和质量是绑在一起的——搜索引擎把更相关、质量更高的页面排在前面，而且这些问题还是代理自己选的。所以这张图测的其实是“好内容 vs 一般内容”，不是“位置”。

于是他们换了做法：

1. 冻结真实对话。 让一个带搜索工具的 GPT-5.4 代理回答 130 个日常问题（10 个话题 × 5 种问法，从完整提问到简短的搜索式输入），它必须自己发起网络搜索，每次搜索返回 5 条 Exa 结果。整个过程的消息、结果对象、重试全部归档——最终 129 条对话、346 次搜索调用、1,490 个唯一文档。
2. 只找“竞争对”，不找“排名”。 点评判一篇文档能不能支撑某个事实点是在不知道排名、标题、域名、答案的情况下做的，而且必须给出逐字引用，改写或转述一律降级为“不清楚”。1,465 篇被审的文档里，1,115 篇（76.1%）具备答案支撑。然后挑出这样的“竞争对”：同一次搜索调用里、两篇都能独立支撑同一个事实点——也就是“引用哪一篇都算对”的情况。这种候选对至少 1,894 个，最后冻结 113 对，还有一位人工盲审确认其中 103 对（91.2%）确实在讲同一个命题。
3. 哈希校验的回放，一次只改一个变量。 只改两件事之一：把两篇文档在数组里的顺序对调，或者把目标文档换成同样事实、不同排版的版本（散文段落 vs 标题+短段落+列表/表格）。其他所有模型可见的字段逐字节保持不变，只有最终答案重新生成。每个“竞争对”跑 4 个格子（顺序 × 排版），一共 452 次试验，0 次完整性校验失败。

这套设计的价值在于：它把“这篇被引用”从“内容对错”变成了“信用分配”。 两篇都能支撑同一个事实，AI 引用谁，是一次纯粹的分账决定。

发现一：观察到的位置差距，是控制后效应的 5 倍以上

口径	结果	统计判断
观察性差距（第1位 vs 第5位）	85.1% → 42.8%，42.3 个百分点	描述性，混杂了相关性和质量
控制后的顺序效应（主回放）	+7.9 个百分点（95% CI [+1.1, +14.9]）	多重校正后 Holm p = 0.350，不显著
留出确认（另 56 对，只换顺序）	0.0 个百分点（95% CI [−5.4, +5.4]）	点估计精确为零

论文的措辞很克制：消息位置在某些冻结对话里确实会移动归因，尤其是在“位移幅度很大”的情况下；但从观察性梯度反推出来的平均位置效应，不可靠。

翻译成给独立站的话：你在报表上看到的那条“位置优势曲线”，不能用来指导决策。 因为它把“内容质量”和“检索器排序”的功劳，全记在了“位置”这一个变量上。

发现二：唯一通过统计校正的效应，是“排版让信用集中”

这才是这篇论文对内容团队最有用的部分。

效应	大小	95% CI	显著性
目标文档的引用标记数量（结构化 vs 散文）	+0.50 个/答案	[+0.20, +0.84]	Holm p = 0.033（唯一通过校正的次要结果）
目标文档是否至少被引用一次（预注册主假设）	+4.5 个百分点	[−1.4, +10.4]	p = 0.168，不显著
竞争对手被引用的变化	−0.02 个	[−0.28, +0.24]	基本没动
答案的总引用预算	−0.49 个	跨零	没变（没有“总量膨胀”）
新增信用中落在双方共有证据上的比例	48.6%（+0.25 个，p = 0.023）	—	事后审计

三个细节必须说清楚，否则很容易被误读成“加个列表就能涨引用”：

第一，被改变的只有“信用分配”，不是“入场资格”。 排版没能显著提高“目标页面被引用”的概率（+4.5 个百分点，置信区间跨零）。它提高的是“当这个页面加入引用列表之后，它在一段共有证据上拿到多少次署名”。而且答案的总引用数没增加，竞争对手也没减少——这不是把蛋糕做大，是把同一块蛋糕上的名字换了一个。

第二，约一半的新增信用，落在“两篇文档都支持的那条证据”上。 也就是说，结构化帮助的不是“让 AI 多讲你的独家内容”，而是“在一段别人也有的证据上，让署名落到你这边”。

第三，一个严苛的消融实验立刻打了折扣。 研究者额外做了一个“逐字不改、只把句子改成一行一条的列表”的机械重排实验：全样本上是 +6.7 个百分点（p = 0.028），但在用于重复性检验的 30 个家族上，第一次是 −1.7、重跑一次是 −8.3，平均 −5.0 个百分点（p = 0.22）。

结论：没有稳定的“列表机制”。 论文自己给的定性是——可见呈现可以重新分配信用，但通路依赖具体对话，不是一个可以照抄的配方。

发现三：AI 引用率这个指标，有一个可测量的“噪声地板”

这是我最希望所有做 GEO 报表的人都读的一页。

研究者把 120 个单元重新生成了一遍，输入完全不变：

• 目标页面“是否被引用”这个二值判断，一致率只有 85.0%——大约每 7 次里有 1 次会翻转；
• 精确的被引用页面集合一致率 78.3%；
• 精确的引用次数一致率只有 61.7%；
• 用矩量法分解后，单次生成里约 45% 的家族效应方差来自解码随机性；
• 30 个家族里，家族效应完全一致的只有 17 个。

论文很直白地写道：只报告一次生成的引用研究，继承的是一个可量化的噪声下限，而不是“未说明的随机性”。 重复跑 k 次，可以把噪声分量压到约 1/k。

这和问卷里“同一个问题问两遍”的差别是：这里连问法都一模一样。

论文自己划的边界，比结论更值得收藏

我把它的限制条件列出来，因为任何人拿这篇去说服老板时都需要这些前提：

• 只有一个检索源（Exa，每次 5 条结果）和一个主要模型（GPT-5.4），结论不能推广到所有 AI 搜索；
• 它只改了“模型读到的那段文本”，不涉及抓取、检索、排序这些上游环节。也就是说：它证明不了“改网页能把 AI 引用率提上去”，只能说明在文本已经进入模型上下文之后，呈现方式会影响署名分配；
• 两个排版版本都是由模型改写的（虽然做了七维保真度审核），所以严格说是“改写包”的效应，不是纯粹的“格式”效应；
• 主假设（是否被引用）本来就统计功效不足——这个设计只能可靠检测 8.5 个百分点以上的效应，所以 +4.5 是“未解决”，不是“证明无效”；
• 跨模型验证（换成 Grok 4.3 回放）方向是正的，但首次回答只有 44.7% 符合引用格式契约，修复后 +5.6 个百分点——只能算方向性支持，不是量级复制。

作者自己在讨论部分写下了全文最重要的一句话：

“这是一个归因敏感性警告，不是优化战术（This is an attribution-sensitivity warning, not an optimization tactic）。”

顺手交叉验证：另外两个“看起来很有说服力”的结论

论文还顺手点了一下行业里的两个流行结论，这也符合它自己的方法论：

• 同一提示词重复跑，结果有多不稳定？ SparkToro 在 1 月的实验发现，给 ChatGPT 和 Google AI Overviews 同一段重复提示，它们给出完全相同的品牌列表的概率不到 1%。
• JSON-LD 到底有没有用？ Ahrefs 5 月的报告说，被 AI 引用的页面含 JSON-LD 结构的概率大约是其他页面的 3 倍。但报告没有（也无法）证明“加 schema 会增加引用”——这是相关性，不是因果。这跟本篇论文做的事正好互补：一个相关性，只有在你把那个变量单独改一次之后，才知道它是不是因果。

Neo的解读：这两条放在一起，意思不是“schema 没用”、“结构化没用”，而是——你现在看到的绝大多数 GEO 数字，都还没有通过“控制变量”这一关。行业目前处在测量方法远落后于商业承诺的阶段。

那独立站的实操该怎么改

不用重做报表，改六个地方就够：

1. 每格至少跑 3 次，先看波动带。 有了“每 7 次翻转 1 次”这个基准，单次结果没有解释权。一个品牌在一个 prompt 上“丢了引用”，在重复采样之前不该进汇报。

2. 汇报时换一个问法。 别写“我们的 AI 引用率从 32% 涨到 41%”，写“三次采样的引用率区间是 X–Y”。前者报的是一个噪声样本，后者报的是你能负责的结论。

3. 不要为“位置”花钱。 位置是 AI 检索器的内部排序，你控制不了；它跟你的内容质量高度共线，所以“拿到首位”也大概率只是“你内容相关性好”的回声。真正能控制的是可抽取性（内容能不能被干净地读出来）和证据密度（一段话里有多少可被独立引用的事实）。

4. 结构化的正确目标：不是“被列进引用”，而是“在共有证据上拿到署名”。 这是本篇论文最可操作的推论。同一段行业共识，用标题+要点+表格把它写清楚、把数据摆出来，你不一定能让 AI 多提你一次，但更可能让署名落到你这一份上。

5. 做小而可对照的 A/B。 要改就一次只改一处（例如只把其中一段改成结构化），跑多次，看方向是否稳定，而不是上线十项改动后看总曲线。这跟论文的做法一致：先固定其余全部变量。

6. 建立“月度重复采样表”。 把你最关心的 20–30 个 prompt、3 个引擎、每个 prompt 3 次采样固定下来。这张表的价值不在某一次的分数，而在于当“变化”超过波动带时，你能立刻认出它。

最后

这篇论文没有给任何“速赢战术”，它给的是一把校准尺：42.3 个百分点的排名红利，控制变量后归零；唯一站得住的效应是排版带来的信用集中（+0.5 个引用标记）；而任何单次生成的引用判断，都有 15% 的翻转率。

对独立站来说，好消息是：你控制不了 AI 的排序，但“把内容写清楚、把事实写实、让爬虫能干净地读到”这三件事全部在你手里。 而按这篇论文，其中至少有“信用集中”这一项，是能带来正向变化的。

坏消息是：如果照旧按单次截图上的红绿格子做决策，你大概会一直在优化一个不存在的变量。