为什么同一品牌一个能看见一个看不见？2026GEO优化分析

跨引擎看不见不是模型随机，而是信源结构不同

同一品牌在豆包被看见、在 DeepSeek 不被看见，第一原因不是模型随机，而是两个引擎采信的内容来源结构不一样。

信源结构，就是 AI 回答你的时候，它读的那些来源里，官网、专业媒体、自媒体、平台聚合页各占多少。你看到的是同一品牌“一个能看见一个看不见”，实际是两个引擎读的不是同一批信源。我们 2026 年 7 月对豆包、DeepSeek、文心一言、通义千问、腾讯元宝五家引擎的被引来源做过一次抽样：自媒体达人是所有引擎的第一大信源，占比从 40% 到 70%，腾讯元宝最高到 70%；通义千问的专业媒体占比 33%，是五家里最高的。同一个问题，一个引擎读自媒体更多，另一个读专业媒体更多，答案里点谁的名字自然不一样。

对决策层来说，这个差异必须先定性为可解释，而不是随机。IAB 的《Measuring Visibility in the AI Era》里写得直白：必须分平台单独报告结果，不能只给一个合成分数——原因就是跨平台差异真实存在。一旦承认差异来自信源结构，预算就可以按引擎分配；如果当成模型随机，优化就无从下手。决策层该问下属的只有一句：这个差异是稳定的还是单次抖动？只有稳定差异才值得立项。

对执行团队来说，第一步不是去找哪家优化公司，而是把“豆包能看见、DeepSeek 看不见”这句话变成可核验的基线。固定 20 条相同问题，两个引擎各问一遍，每条记录引用来源的类型，连续采集 3 天。如果连续三天豆包引用自媒体比例都明显高于 DeepSeek，才算稳定的信源结构差异；只出现一次的差异，不值得进优化排期。这个动作不需要工具，半小时能做完第一轮。

对数据团队来说，采样口径要卡死。20 条问题统一 prompt 格式，豆包和 DeepSeek 都从网页端提问，不登录账号，同一天同一时段执行；每条回答记录引用 URL 和站点类型，按官网、媒体、自媒体、平台聚合页四类打标。连续 3 天后，只有豆包的自媒体占比显著高于 DeepSeek，且差异在三天内方向一致，才能判定为信源结构差异而非随机抖动。之后把这条基线固定下来，作为后续优化动作的对照组。

先分清差异是结构性的还是随机的，再谈要不要按引擎分开投内容。

五个引擎的第一大信源都是自媒体，但专业媒体权重差出一个梯队

五个引擎的第一大信源都是自媒体达人，但专业媒体占比在通义千问达到33%，是五引擎最高——专业媒体的“分量”不是一个统一数值，而是引擎级的参数。我们对豆包、DeepSeek、文心一言、通义千问、腾讯元宝2026年7月的被引来源抽样统计显示：自媒体达人占所有引擎第一大信源，比例在40%到70%之间，腾讯元宝最高达70%；而通义千问的专业媒体占比为33%，五引擎中最高的一个。这意味着同一篇专业媒体稿，在通义千问里可能被当作权威来源引用，在腾讯元宝里却可能淹没在自媒体内容后面。

对决策层，这句话要翻成预算语言：如果你的投放思路是“官网加权威媒体”，那么在多数引擎里，这个组合只覆盖了不到三成的信源权重。豆包和腾讯元宝更依赖自媒体达人，通义千问更吃专业媒体。这不是哪个引擎更聪明，而是它们对“谁说的话可信”的默认权重不一样。品牌公关部的直接信号是：专业媒体预算不是要不要砍的问题，而是要知道它在哪个引擎更值钱。在通义千问上投专业媒体，杠杆更高；在豆包和腾讯元宝上，钱应该往能被自媒体达人引用或转发的内容形态上靠。

对执行团队，诊断客户跨引擎差异时，不能再停在“你们在豆包被看见、在通义千问没被看见，是引擎壁垒”这种结论。要落到信源覆盖上：豆包的第一大信源是自媒体，你们在自媒体侧有没有足够多、可被引用的内容？通义千问专业媒体占比最高，你们在通义的差距是不是因为专业媒体覆盖不够？同一份调查里，AutoGEO论文的实测发现跨引擎对“什么内容值得引”的偏好规则高度重合，但不同引擎对具体信源类型的权重仍有差异。执行层要做的产出是一张按引擎拆分的信源覆盖表，而不是一份只写总分的报告。

对数据团队，判定规则是：把每个引擎回答末尾的引用URL按站点类型分类。自媒体达人包括微信公众号、知乎个人号、小红书、B站UP主等；专业媒体包括财经、科技、行业垂直媒体。统计每个引擎过去7天引用中，专业媒体URL数量占总URL数量的比例，做引擎间横向对比。不要用单次快照，至少累积30条query；单次结果里腾讯元宝可能刚好哪一天没抓到专业媒体，比例就会跳。累积后你就会看到：自媒体达人在五个引擎里都是第一大信源，但专业媒体权重差出一个梯队——这个结论是建立在重复采样上的，不是某一天的单次印象。

被引最多的体裁是榜单、教程、评测，纯资讯只有4%

AI推荐里被引最多的内容是榜单、教程、评测，纯资讯只占4%，单一案例1%——如果内容团队过去一年的产出里资讯稿占一半以上，这笔预算在AI搜索里大概率被浪费了。AI要回答“哪个好”“怎么选”“怎么用”，它就会去找有排序、有步骤、有对比的内容；单纯告知“公司发布了什么”的内容，不给结论、不给步骤、不给比较，AI没理由引用它。

把体裁摆出来看：榜单28%、教程25%、评测22%，三类合计75%，纯资讯4%，单一案例1%。这意味着按传统资讯思路铺内容，等于投进五类里最不被引用的那两类的总和。不是资讯不能发，而是它不解决AI要回答的那类问题。

对预算决策者： 要求市场部回答一个数字——现有内容里有多少落在榜单、教程、评测三类上。不必立刻全部改写，但下一笔新增预算必须优先导向这三类。如果你看到的内容排期里全是新闻稿和公司动态，就可以判定这笔钱在AI搜索里没有产生可见度的能力。

对执行团队： 做一张体裁盘点表，把所有针对目标关键词的内容按体裁打标，统计五类各占多少，再对照28/25/22/4/1的占比找缺口。比如你的行业内容全是以“公司动态”为主的资讯，那DeepSeek和豆包都很难引用你——不是它们看不见，而是你的内容形态不属于它们会引用的那75%。

对数据团队： 改写时要先统一体裁定义。“榜单”是有明确排名顺序的列表；“教程”是分步骤、可操作的教学内容；“评测”是带真实使用体验和多维对比的测评；“纯资讯”是不带观点或指南的新闻式内容；“单一案例”是只描述一个客户故事。同一主题可以产出三种形态：一份“XX行业TOP10榜单”、一篇“如何选择XX的5步教程”、一篇“3款XX横向评测”，分发给对应引擎偏好的信源。上文那篇论文在电商域有一条偏好：分步骤指南优于长篇原理，正好支撑教程类内容优先。

问题类型决定AI会不会点名品牌，空白区跑偏率翻倍

有品牌名出现的几类问题，AI跑偏率在5.4%~6.6%；一个品牌都不出现的问题，跑偏率跳到13.3%——没分区之前，你的提及率分母里掺着永远不会产生品牌位的问题。

问题类型首先决定AI会不会点名。你把关键词表拿出来，按传统SEO搜索量直接搬来的词，大部分是“什么是GEO”这类定义题，AI给科普，没理由点名任何一家；“GEO工具哪家好用”这类选型题，AI不点名就没法回答。前者在AI时代不产生品牌曝光，后者才是品牌位可能出现的地方。但这只是第一步。即使同一类问题，AI对品牌位的处理也有稳定规律——跑偏率就是最硬的证据。

挑20个你最在意的问题，打开豆包或DeepSeek逐个问，只记两件事：出现品牌名了吗？出现的是谁？半小时就能把这20个问题分成五类：

• 优势区：AI点你名，且排在前——你的地盘，守（实测9条）。
• 竞争区：AI点你名，但竞品排在你前面——拉锯的地方，攻（114条）。
• 敌占区：AI只点竞品，从头到尾不提你——被对手占着，补信源（189条）。
• 歧义区：AI点你名，但说错了——品类错、参数安到别人头上、和同名品牌混了（217条）。
• 空白区：AI谁也不点，整段回答一个品牌都没有（202条）。

这个分区的意义在于：每个区的动作完全不同，预算不能再平均撒。优势区守，竞争区攻，敌占区补信源，歧义区纠错。空白区最特殊——它的跑偏率13.3%，比有品牌三区高一倍，意味着AI在没有品牌锚点的问题上最容易偏离原意，这部分预算投入的回报天然不稳定。

对决策层： 你的团队拿来的关键词表如果还没做过五区划分，里面大概率混着大量定义题和空白区问题，这部分预算投进去等于扔进一个不会出结果的分母。先让团队把关键词表分区，再决定预算投向哪里。竞争区（114条）和敌占区（189条）才是真正该投入的地方——一个是你和对手在拉锯，一个是AI只认对手不认你。歧义区217条，说明AI还会在点名你的问题时把你描述错，这不是曝光问题，是误导问题，同样要花钱修。

对执行团队： 五区划分每个季度做一次，不是做完一劳永逸。每次划完，把结果交到决策层，说清楚三件事：哪些问题是白投的，哪些是该攻没攻的，哪些是攻错了方向的。动作上：竞争区补事实密度、提信源权重；敌占区在AI采信你的行业媒体上做内容，让AI有依据提到你；歧义区先查AI到底把你描述成什么——品类错还是参数安错——优先修正；空白区先判断跑偏率值不值得进入，很多时候不是内容不足，是这个问题根本不适合投。

对数据团队： 判定规则要固定，否则每次分区都不可比。用固定问题集在豆包和DeepSeek各跑一轮，对每个回答只记录两个字段：出现品牌名了吗？出现的是谁？判定规则：出现你的品牌且位置靠前→优势区；出现你的品牌但竞品更靠前→竞争区；只出现竞品→敌占区；出现你的品牌但描述错误→歧义区；一个品牌都不出现→空白区。跑偏率的算法：回答偏离提问原意的条数÷总条数，偏离是指AI答的不是你问的那件事，不是品牌提及错判。

人工能做到哪一步：挑20~50个问题做一轮初步分区，人可以做到，但列不出全部变体——品牌词×行业词×竞品对比词×长尾问句全都要覆盖时，人工会漏掉真正高价值的敌占区和歧义区问题。工具从这里接手：策略Agent从品牌词和行业词双向自动扩展出成百上千个问题，对每条做分区判定，输出每个区域的数量和优先级。有了这个输出，决策层拿到的就不再是一句“我们的提及率是63%”，而是“你现在的预算里，有多少条在空白区白投了，有多少条在敌占区该攻没攻”。

三层归因法：信源、体裁、槽位决定跨引擎可见度，不是运气

把跨引擎差异拆成信源结构、内容体裁、意图槽位三层，每一层都有可验证的数据，而不是把差异推给模型随机性。三层全部能从 AI 回答的引用列表里复现，诊断结论可以进报告交给客户。

对决策层，这套方法把“我们在 DeepSeek 看不见”从一句感受变成三个可查的信号：被谁引用、发了什么体裁、占了哪类问题。修任何一层都能看到变化，预算不用再投给“全面优化”这种不可执行的目标。三层归因之后，还能把结果映射到 IAB 4P 框架上——信源层回答“被什么提到”（Presence），槽位层回答“排第几”（Prominence），体裁层影响“被怎么描述”（Portrayal）——甲方熟悉的指标语言不用推翻，只补上定位差异的那一段。

对执行团队，给客户做诊断时按三层逐层排查，每层输出数字，不输出形容词：

• 第一层信源：把品牌在豆包和 DeepSeek 的引用来源拉出来，官网、专业媒体、自媒体各占多少。通义千问的专业媒体占比 33% 是五引擎最高，自媒体在所有引擎占 40%–70%，这两个数字已经说明不同引擎对权威来源的采信权重不一样，差异第一层就能查出来。
• 第二层体裁：盘点品牌已发布内容，按榜单、教程、评测、资讯、案例五类打标。被引最多的体裁是榜单 28%、教程 25%、评测 22%，纯资讯只有 4%、单一案例 1%。如果内容结构里资讯稿占大头，第二层就找到了症结。
• 第三层槽位：把品牌关键词表按五区规则跑一轮固定问题集，统计优势区、竞争区、敌占区、歧义区、空白区各占多少。跑偏率沿区域单调上升，空白区最高，这一层直接定位“哪些关键词注定产生不了品牌位”。

三层数据都出来，才能判断跨引擎差异主要落在哪一层，避免“头痛医脚”。

对数据团队，三层采集口径如下：

• 信源层：累计 30 条 query，统计引用 URL 的域名分类，按官网、专业媒体、自媒体、平台聚合页归集；做账号级判定、按真实引用事件加权。
• 体裁层：盘点已发布内容，按五类体裁打标，统计各体裁占比，与 A3 行业基准做对比。
• 槽位层：固定问题集跑一轮，按五区规则打标，区分优势、竞争、敌占、歧义、空白；同批问题再做跨引擎比对，记录每个引擎各自的区域分布。

分层归因做完，跨引擎差异就不再是“模型随机”的结论，而是每一层都有引用列表、原始回答快照和区域分布可复现。

IAB 4P只看第一个P，会漏掉跨引擎差异的另一半

跨引擎比较如果只停在“被没被提到”，就漏掉了“排在第几”和“被怎么描述”这两个决定性的维度，等于只看了问题的一半。IAB的4P框架把AI里的品牌可见度拆成四件事：Presence（有没有被提到）、Prominence（排在第几）、Portrayal（被怎么描述）、Persuasion（有没有促成行动）。多数GEO报告只覆盖第一个P，把“提及率”当成全部，剩下三个P没人管。这不是推测——State of AEO Report 2026里，40.6%的受访者把“缺少度量与归因工具”列为最大挑战，只有15.2%实际在用工具。工具缺，报告自然只能交付最表层的那一个数。

对决策层：你在审阅GEO报告时，第一句要问的是：这份报告覆盖了IAB 4P里的几个P？如果只覆盖“被提到”，它回答不了“为什么在DeepSeek被提到但描述很负面”。同一品牌在豆包里被点名且排前三，在DeepSeek里虽然也被点到，但描述成“规模较小的创业公司，功能相对基础”。如果报告只告诉你“两个引擎都提到了你”，你会以为钱花得值；实际上DeepSeek那一次提及正在劝退潜在客户。花在GEO上的钱，如果连“被怎么描述”都没管，就存在买到负面曝光的风险。所以决策层要的不是一个综合分数，而是分项数据：在哪个引擎、被提到几次、排第几、描述是正面还是负面。

对执行团队（咨询策略岗）：给客户的验收清单要加入4P覆盖度，这是判断服务商交付是否够格的基本门槛。合格交付至少要能提供四个维度的分项数据：Presence（提及率，在多少个问题里被提到）、Prominence（排位，出现时是第一、前三还是前十）、Portrayal（情感倾向正/中/负，以及事实错误标记）、Persuasion（回答中是否出现指向你的链接或行动引导）。只给一个“综合分数”的报告没有分项分数，就没有优化方向——客户不知道“该去改哪个维度”。比如Portrayal是负的，该改的是内容口径而不是铺更多文章；Prominence低但Presence高，该争的是排位而不是拓新词。验收标准要明确写进合同：四个P分别怎么报告、多久更新一次、原始回答是否留存。

对数据团队：按4P提取数据时，每个维度分引擎单独统计，不做横向合成。具体口径：Presence = 品牌名在固定问题集中出现的比例；Prominence = 出现时在回答里的位次（第一、前三、前十），按位置频次分布记录；Portrayal = 对提到你品牌的那几段话做情感标注（正/中/负），并标记是否存在事实错误（如把竞品参数安到你头上、品类归错）；Persuasion = 回答中是否出现可点击的链接或明确的行动引导（如“可以访问XX官网”）。每一个引擎的数据要单独成表，不要用加权公式合成一个“总分数”——豆包和DeepSeek的差异本身就是决策信息，合成会把它抹掉。同时，每一条原始回答都要留存快照，以便复查某个位次或某条描述是否被误标。

这张表可以直接拿去做供应商验厂单。四个P的覆盖情形正好解释了为什么“缺度量与归因工具”会被列为最大挑战——真正难的是后面三个P，尤其是Portrayal和Persuasion。

一套内容打所有引擎是预算浪费，官网在所有引擎的引用占比不超过四分之一

先把结论放在最前面：官网是你最能完全控制的阵地，但它不是 AI 最愿意引用的阵地。我们分行业实测下来，官网被引占比最高的科技软件也只有 25%，快消和汽车分别只有 6% 和 5%。如果你的跨引擎优化预算有八成花在官网改版和官网内容上，那么这笔钱实际能影响到的，只是 AI 引用来源里不到四分之一的那条通道。

这个判断对决策层的含义很直接：官网不是不重要，而是"只做官网"不成立。官网在 AI 生态里扮演的是身份确认和事实锚点的角色——AI 需要它来核实你是谁、你做什么、你的资质在哪——但 AI 生成推荐答案时，引用的大头在第三方信源。自媒体达人在五个引擎里都是第一大信源，占比从四成到七成不等。换句话说，AI 更愿意引用"别人怎么说你"，而不是"你自己怎么说你"。所以预算分配的逻辑要反过来：先把钱花在让第三方的优质内容里出现你的品牌，再用官网把那些说法锚定住。

对执行团队来说，这张表是拿来对照自己行业的：

如果你的行业官网占比低于 15%，把一半以上的内容预算从官网转移到第三方信源，不是激进，是符合数据的基本动作。豆包和 DeepSeek 都偏自媒体信源，所以在自媒体侧多布局教程、评测、榜单类内容，比继续在官网上堆文章更有效。这里的关键不是"官网不做了"，而是"官网的内容形态要改"：官网从流量承接页变成信源锚点页，结构化的产品信息、资质、联系方式、可被引用的数据放在官网，传播性内容放在第三方。

对数据团队，信源配比是一个可以持续监测的指标。具体操作分三步：第一，统计过去 30 天你在豆包和 DeepSeek 的被引 URL 里官网占比，对照上面这张表的行业基准。第二，如果显著低于行业基准，说明官网内容被采信不足，优先检查结构化数据完整性和内容更新频率，而不是急着再发文章。第三，如果官网占比正常但总提及率低，问题不在官网，在第三方信源覆盖不够——这时要看被引的自媒体和媒体名单里，你的品牌信息是否缺失、是否过时、是否被竞品的描述压过一头。

这三步里，统计被引 URL 并归因到"官网/自媒体/媒体"这个动作，人工做起来并不难，但难在持续做。AI 的引用来源每天都在变，隔三天看一次手工统计基本跟不上。工具的接手点就在这：持续采集被引 URL、自动归因来源类型、分引擎分开统计，这样官网占比这个指标才能从"做一次审计"变成"每周能看的运营数据"。先看清你在每个引擎里的信源结构，再决定预算往哪边挪——顺序不能反。

验证跨引擎差异要固定问题集、复测、留存原始回答，否则只是单次快照

验证“豆包能看见、DeepSeek 看不见”必须固定问题集、分引擎记录引用来源、隔周复测，并留存原始回答全文；不然你看到的只是单次随机快照，支撑不了预算决策。

对决策层来说，花在 GEO 监测上的钱要能回答“这个差异能不能复现”。如果一份报告只给你一次快照，它支撑不了续费，也没法向老板解释那次“看不见”到底是模型脾气还是稳定差距。你该要求任何跨引擎结论都能复现，并且保留原始回答作为证据——否则那次“看不见”可能只是当天抖动，下一次开会又被推翻。

对执行团队，验收服务商时提前准备三个问题：①你的监测问题集固定吗？多少条？②你能给出分引擎的引用来源明细吗？③隔周复测后，差异还稳定吗？这三个问题能筛掉只给一个综合分数的服务商——后者往往掩盖跨引擎的差异，而不是暴露它。一张清单就能把方向性数据挡在预算门外：

对数据团队，决策级采样规则是：最少 50 条 query——IAB 标准里低于 50 条的度量项目连“方向性”都算不上，只能算探索；每日同一时段采集，连续至少两周；分豆包、DeepSeek 及其它引擎单独存储原始回答全文与引用 URL；复测时使用相同 prompt 模板，记录是否出现同一引用 URL，以“两次复现”作为差异成立的最低门槛。

为什么必须复测？因为 AI 生成有随机性，单次采样可能撞上小概率结果。复现才能把“当天抖动”和“稳定的引擎差异”分开。留存原始回答全文是复现的前提：没有原文，你只能对着一个数字猜，没法校验“豆包引用了你的官网、DeepSeek 引用了达人”这种具体差异是否稳定存在。同一份调查里 40.6% 的人把“缺少度量与归因工具”列为最大挑战——复测与留存原始回答，就是不用买新工具也能补上这个缺口的最低成本做法。

局限与边界

这套方法针对的是中文主流 AI 搜索网页端、未登录状态下的自然问答，不覆盖 API 调用、企业私有化部署、移动端个性化推荐，也不覆盖多轮对话中的个性化上下文。本文引用的占比数字都来自 2026 年 7 月对豆包、DeepSeek、文心一言、通义千问、腾讯元宝五家引擎的抽样统计，不是全量数据，也不是长期不变的行业常量。

第一，信源占比不能当普适常数。自媒体 40%–70%、通义专业媒体 33% 来自一次抽样，受问题集、行业和采样时间影响。如果你做的领域是强监管、强学术或本地生活类，信源分布可能明显偏离这个区间。不要拿这组数字去预测某一个具体问题的回答。

第二，行业官网占比不能跨行业套用。科技软件 25%、企业服务 21%、教育 16%、文旅 7%、快消 6%、汽车 5% 是分行业实测结果，同行业里不同细分赛道、不同品牌阶段也会有差异。低于 15% 建议转移预算的说法只适用于表中所列行业的典型情况，不能当作所有行业的统一阈值。

第三，体裁占比和跑偏率来自特定问题集。榜单 28%、教程 25%、评测 22%、资讯 4%、案例 1% 是在 AI 推荐和选型类问题下测得的；如果你的问题全是事实查询或新闻问答，这个比例不适用。空白区跑偏率 13.3%、有品牌区 5.4%–6.6% 也基于固定问题集；换一批问题，跑偏率会变。

第四，五区数量不是市场份额。优势区 9 条、竞争区 114 条、敌占区 189 条、歧义区 217 条、空白区 202 条是某一批采样中的问题条数，不是五个区天然的大小比例。不同关键词表和采样时间会得到不同分布，不能拿这些条数当作任何品牌的固定格局。

第五，复测只能确认当前版本的稳定差异。连续两周复测、两次复现是判断稳定差异的最低门槛，但引擎一旦调整信源权重或回答策略，历史结论需要重新采样。不要用一次审计结果管一年。

以下情况也不宜直接套用：新品牌或几乎没有第三方提及的品牌，信源层没有足够数据可归因，先做基础提及建设，不要直接用五区划分；极小众赛道里，问题数量和信源数量都太少，固定问题集和占比统计的可靠性会下降；如果只看单次回答、不固定问题集、不留存原文，这套方法不能用来下结论。

常见问题

为什么同一个品牌在豆包能看见，在DeepSeek看不见？

因为两个引擎采信的内容来源结构不同。实测显示五个引擎里自媒体达人都是第一大信源，占比40%-70%，腾讯元宝最高达70%；但通义千问的专业媒体占比33%，为五引擎最高。豆包和DeepSeek虽然都偏自媒体，但专业媒体权重存在差异，这直接影响同一个品牌内容被引用的概率。要确认具体原因，需要固定问题集、分引擎记录引用来源并复测，不能归咎于模型随机性。

GEO优化应该按引擎分开做吗？

应该。跨引擎可见度差异的核心不是引擎随机，而是各引擎的信源结构不同。官网内容在所有引擎的引用占比最高只有科技软件的25%，快消、汽车只有5%-6%。一套内容覆盖所有引擎只能命中一小部分，必须分引擎匹配信源类型（自媒体/专业媒体/官网）和内容体裁（榜单/教程/评测），才能提高被引概率。

哪些内容体裁最容易被AI引用？

实测数据：榜单占28%，教程占25%，评测占22%，纯资讯只有4%，单一案例仅1%。也就是说，把内容预算从资讯稿转向榜单、教程、评测三类，能提高被AI引用的概率。电商类内容尤其偏好分步骤指南（Step-by-Step Guide），而非长篇原理。

怎么判断一个问题是空白区还是竞争区？

拿到你的关键词表，逐个问AI（如豆包或DeepSeek），只记两件事：回答里出现品牌名了吗？出现的是谁？有你的名字且靠前是优势区；有你的名字但竞品靠前是竞争区；只出现竞品是敌占区；出现你的名字但说错是歧义区；一个品牌都不出现是空白区。空白区的AI跑偏率可达13.3%，远高于有品牌区的5.4%-6.6%。

怎么验收跨引擎GEO优化效果？

要分引擎给出固定问题集（至少50条query）的引用来源明细和原始回答全文，隔周复测，确认差异可复现。不能只给一个综合分数。IAB决策级标准要求分平台单独报告结果，覆盖Presence、Prominence、Portrayal、Persuasion四个维度。如果服务商拿不出原始回答和复测记录，那个数据就没法验。