大家好，我是Neo。

如果你正在给独立站做GEO（生成式引擎优化），你每个月大概都会看到这么一张表：20个问题，每个问题底下标注着你的品牌有没有出现在AI的回答里。有的格子是绿的，有的格子是红的。

然后真正的问题来了：红格子到底该怎么解释？

内容不够专业？外链不够硬？还是模型压根就没记住我这个牌子？

大多数时候，这个答案取决于会议室里谁的嗓门大。做内容的说要多写文章，做外链的说要拿权威背书，做品牌的说要投PR。这三张处方花的钱完全不一样，但它们用的是同一个红格子当证据。

9月16日，Search Engine Journal 上 Pedro Dias 发了一篇文章，标题叫《It Was There A Minute Ago》（一分钟前还在呢）。这人很有来头——前 Google 搜索质量团队成员，现在做独立顾问，长期写“AI可见性”这个话题，而且是我见过的少数几个敢对自己行业开炮的人。

他这篇文章表面上是在读论文，实际上是在说一件事：从“品牌没被提到”推到“你的内容不足”，中间缺的不是一点证据，是整整一层证据。

我把他的论证重新组织了一遍，加上我自己的理解，讲清楚这件事对独立站意味着什么。

红格子至少有四种“病因”，而它们要的药完全不同

先把话说透。当你的品牌在某条提问下没有出现，AI可见性的计数器只能告诉你“结果”，它没有能力告诉你“原因”。而可能的原因至少有四种：

可能的原因	通俗说法	对应处方	花钱方向
编码失败	模型根本不知道有你	内容、可被抓取的结构化信息、权威信号	内容团队 + 技术SEO
召回失败	模型知道，但这次想不起来	换提问角度、增加稳定的关联信号（实体、共现）	实体SEO / 品牌建设
来源冲突	检索回来的内容里有错误或竞品信息压制了你	治理外部信息源、修正错误描述	品牌监控 + PR
提问方式	你测的那句话本来就不该出现品牌名	换一组更贴近真实买家的问题	不需要花钱，改方法论

四种原因，四种处方。而一张只有“有/没有”的红绿表格，对这四种情况完全没有分辨能力。

SEJ 那篇文章最大的价值，是它拿了三篇论文来具体说明，为什么这个分辨这么难——难到什么程度？难到连把模型拆开都不一定说得清。

研究一：模型明明答对了，工具一说错它就跟着错

第一篇叫 MemToC（记忆-工具冲突基准测试）。它测的是一个特别现实的场景：AI模型自己的知识，和它调用工具（检索）拿回来的信息打架的时候，它听谁的。

实验设计很干净：

1. 先不给工具，让模型凭自己的知识回答一批事实性问题；
2. 筛选出模型答对了的那些题；
3. 然后故意让工具返回一个错误答案，看模型会不会改口。

结果不太好听：四个指令微调模型，正确答案的保留率只有 6.5% 到 17.1%。

换个方向看，同一批模型在工具给出正确答案时，有 86.0%–93.1% 会照做——这说明它们不是不信任工具，而是无条件偏向工具。最能说明问题的是第三种情况：当模型自己的答案和工具返回都是错的时，它们仍然有 78.4%–86.0% 会把工具的错误答案复述出来。

还有一条细节更值得记：研究者另外抽了120条“工具返回错误”的回答做人工标注，没有一条明确承认了前后矛盾。模型不会说“等等，这和我刚才说的不一样”，它只是安静地把错的答案讲了出来。

Neo的解读：这项研究的样本是5个开源、7–9B参数的小模型，作者自己也强调，这些百分比不能直接套到 ChatGPT 搜索或 Google AI Overviews 上。所以不要拿“6.5%”去吓唬人。

但它给独立站的启示是结构性的：AI回答里真正在“说话”的，往往是你被检索到的那一小段内容。 模型自己记住了什么，在检索内容面前权重并不高。这反过来解释了很多老板的困惑——“我的品牌行业里做了十年，为什么AI不认？”因为AI在这次回答里认的不是你的十年，是它刚刚抓到的那三行字。

这也意味着：别人怎么写你，和你怎么写自己，权重一样高，甚至更高。 这几周我一直在讲品牌信息冲突治理，原因就在这。

研究二：95%的事实模型都“存下来了”，但取不取得出来是另一回事

第二篇是 Google Research 和以色列理工合作的 《Empty Shelves or Lost Keys?》（空货架，还是丢了钥匙？），已经发在 ICML 2026，arXiv 编号 2602.14080。

它问了一个特别朴素的问题：模型答错一个事实的时候，到底是没学过（空货架），还是学过但取不出来（钥匙丢了）？

为了分开这两种情况，他们建了一个叫 WikiProfile 的基准，2150条事实，每条配10个问题，用“强语境复现”来判定事实有没有被“编码”进去，再用“四种变体全部答对”来判定是否“可靠可取”。跑了13个模型、400万次回答之后，结论是：

• 编码几乎饱和：GPT-5 和 Gemini-3 在编码探测上的通过率是 95%–98%，前沿模型基本把事实都存进去了；
• 召回才是瓶颈：大量以前被归因为“知识缺失”的错误，其实是“知识取不出来”；
• 失败是系统性的：长尾事实和反向提问尤其容易翻车；
• “思考”（thinking）能救回来相当一部分，这暗示未来的提升空间可能不在于继续堆规模，而在于让模型更会用已经存下来的东西。

Neo的解读：这里有一个我们必须警惕的翻译错误。当你的品牌在一个问题上“没被提到”，很多GEO服务商的口径是“模型不知道你”。但这篇论文说明，在维度上，“不知道”和“知道但没取出来”是两个不同的病。

更要命的是失败集中的那两个位置——长尾事实和反向提问。

想想买家是怎么问的。他不会问“Neo的独立站SEO咨询服务好不好”（正向、品牌词，容易命中）。他会问“中国有哪些做独立站SEO靠谱的顾问”（反向提问 + 长尾）。这两类恰好是模型最容易失手的地方。

所以你的品牌在“品牌词提问”里表现好，完全不能证明你在“品类词提问”里也表现好。这两种测出来的根本不是同一件事。

研究三：就算把模型拆开，也证明不了“它没学会”

第三篇是9月10日挂上 arXiv 的 《From Parameters to Answers》（从参数到回答），编号 2609.11859，中文作者是来自中国科学技术大学的研究者。

这篇更硬核，直接对模型内部下手，但思路可以用大白话讲清楚：他们研究模型在回答“某国属于哪个洲”这类问题时，模型内部的隐藏状态里同时存在两种东西——

• 内容（content）：真正承载答案知识的那部分；
• 路由（routing）：控制后续层去哪里找知识的那部分。

然后他们做了两件事：一是改动内部信号看答案变不变；二是“重定向”，让模型去找一个错误的答案。结论很有意思：

• 干预路由信号，在较早的层通常能改变输出，但到了较后的层就越来越无效——因为模型在后面的层里越来越坚持正确答案；
• 而干预承载答案的内容，始终都有效。

研究者自己也承认：结论取决于你测量的是哪个信号、以及你用什么方式改它。这套方法给不出一个“所有模型都这样取知识”的通用图纸。

Neo的解读：这篇论文真正打脸的对象，是**“模型召回失败”这个诊断话术本身**。

因为它说明：即便你有权限打开模型、看内部激活值，你仍然要小心翼翼地区分“我能观测到什么”和“我能证明什么影响了答案”。那你凭什么看着一份外部输出的红绿表格，就敢在PPT上写下“这是模型召回失败”？

多了几个技术词汇，并不能凭空补上那个缺失的实验。

Neo的解读：把三篇放一起，我看到的是“诊断通胀”

三篇论文测的其实是三件不同的事：第一篇测模型对冲突证据的反应，第二篇比较强语境复现和可靠作答的差距，第三篇干预内部激活。作者自己也提醒：把它们拼成一个漂亮的漏斗图，会造出一个三篇论文都没有测过的模型。

但它们放一起，确实指出了一个行业现象：我们在没有诊断的情况下，开始大量地“开处方”。

我把它叫做诊断通胀——症状（一个红格子）是有限的，但解释它的说法越来越高级：内容不足、权威不够、召回失败、训练数据没覆盖、实体不清晰……每多一个说法，就多一个可以卖给你的服务。

Pedro Dias 在文章里讲了一个我觉得特别妙的自嘲案例。两个月前他在 LinkedIn 上宣布自己是 “世界上最著名的AI可见性专家”。这个头衔是他自己封的，纯属开玩笑——结果直到现在，搜索 worlds most renowned ai visibility expert 时，他那条原始帖子仍然会被 Google 的 AI Overviews 引用。

他把两个关键点摆出来了：

1. AI Overviews 甚至在回答里明确说明“这是他给自己起的玩笑头衔”，但它照样会念出他的名字、引用他的帖子；
2. 一条只统计“品牌名有没有出现”的计数器，会把这条回答记成一个漂亮的正面案例。

他的观点是：你把一个红格子改成绿格子，就可以收工了吗？不，你得去读那句话到底说了什么。

Neo的解读：这个案例对做品牌的人是可以拿来玩的（搜索一下品类关键词加上“最知名的”之类的自我描述，看AI会不会上钩），但对做汇报的人是个警示——可见性指标是会骗人的，而且骗法非常低级。

那到底该怎么诊断？给独立站的实操清单

我不打算只吐槽。下面是我现在给自己和客户做AI可见性复盘时用的六条规矩，你可以直接搬走。

1. 存原文，不要只存“有没有”

只记录“品牌是否出现”是浪费一次采样。把AI回答的原文完整存下来，包括它引用了谁、怎么描述你、有没有把你说成别的东西。一次采样能回答的问题，远比一个布尔值多。

2. 把“品牌词提问”和“品类词提问”分开统计

这两类的问题难度、失败机制完全不同（见研究二）。混在一张表里求平均值，等于把体温和血压算成一个数。

3. 同一问题多次采样，先看波动

“这个月我们出现了12次，上个月15次”——这句话在统计学上可能是噪音。同一句话重复问20次，如果你看到的是11到17之间随机跳，那你根本没有变化需要解释。先确认差异大于日常波动，再谈原因。

4. 看“引用的来源”，而不是只看你的官网

AI答案里的那三行话，往往来自第三方的页面。你要查的是：这次引用的是谁的内容？内容对不对？是谁写的？

如果你发现自己被引用的来源是一个搬运站、一个聚合页、甚至一个把你说错的老页面，那你的问题就不在自家官网上，而在外部信息源治理上。

5. 干预要小而可对照

不要一上来就“全站翻新 + 拿十个外链 + 投一轮PR”，然后归因到某个指标。先挑一个变量，动它，看两周。 论文里的教训很直白：一个正确的答案都可能被一条错误工具返回冲掉，说明这个系统的变量很多，不控制变量就得不到结论。

6. 提方案的时候，说清楚你排除了什么

“内容不足”是一个结论，不是一个起点。如果你建议加内容预算，请多说一句：我凭什么认为这是内容问题，而不是来源冲突或者召回失败？

Pedro Dias 在文末问了这么一句，我觉得每个做GEO的人都可以拿来自查：

如果你要卖我一个解决红格子的方案，你是拿什么证据，判断出我得的到底是哪一种病的？

什么情况下，说“内容不足”才是站得住的

公平地说，内容问题确实存在。下面这几种情况，下“内容不足”这个判断我认为是合理的：

• 品类词/常识词提问下稳定缺失（不是偶尔掉一次，而是连续几周都在），同时竞品稳定出现；
• 你的站点在相关主题上确实没有可用内容——AI抓回来的内容里根本没有你的页面；
• 被引用的第三方内容里描述你的信息是错的、过时的、或者缺失的，而这个错误是可以定位的；
• 用更接近买家真实问法的长尾问题重测，结果依然一样。

反过来，下面这些情况不足以支撑“内容不足”的结论：

• 只是这个月比上个月少出现了几次（可能是波动）；
• 只测了品牌词提问（那测的是品牌而不是内容）；
• 你的内容已经在AI答案里被引用，只是没点你的名字（那是引用与署名分离的问题）；
• 唯一证据就是那一张红绿表格。

最后

这篇写下来，我想说的其实不是“别做AI可见性监测”——恰恰相反，我觉得监测必须做。论文里也承认：只要样本定义清楚，计数本身是有意义的，你不需要搞清楚模型内部机制才能统计它有没有提到你。

我想说的是另外一件事：计数是观测，诊断是推理，这两件事之间隔着一整套证据链。

现在的行业状况是，很多人在用观测的成本，卖推理的结论。

作为独立站的老板，你没法要求所有服务商都变成研究者。但你至少可以要求一件事——当有人告诉你“你的品牌没被AI推荐，因为我们内容做得不够”时，让他说清楚这句话是哪来的。

这个要求并不过分。写论文的人都老老实实交代了自己测了什么、没测什么，凭什么商业上的结论可以免检？

---