PAWC（位置加权词数） Position-Adjusted Word Count

PAWC（Position-Adjusted Word Count，位置加权词数）是 GEO 奠基论文提出的可见度度量：把生成答案中提到某来源的文字按字数统计，再按出现位置加权——出现越靠前权重越高，权重随位置后移呈指数衰减——加权求和后得到该来源在这份答案中的“可见度分”。文字越长、位置越靠前，得分越高。它回答的是二元指标回答不了的问题：同样是被提及，“答案开头整段转述”与“末尾一笔带过”根本不是一回事。

一把连续的尺子：生成式答案需要什么样的度量

传统搜索的评估对象是带固定结构的链接列表，位次天然有序，排名本身就是指标。生成式引擎的输出却是合成文本：来源可能被写进正文论述，也可能挂在答案附带的引用列表里；篇幅可长可短，位置可前可后。如果只用“提到没有”来打分，一篇被整段摘录的深度内容与一次顺带出现的品牌名会被记成同一件事，实验与监测都失去分辨力。

PAWC 的办法是把“篇幅”与“位置”两个维度压成一个连续分数。字数维度奖励被展开引用的内容——模型愿意逐句转述你的论述，说明这段内容真正进入了答案的组织，而不是只贡献了一个名词；位置维度反映用户注意与答案结构的双重现实——开头的论断承担主要论证职能，靠后的内容更多承担补充与佐证。指数衰减的设计则让“从末尾挪到开头附近”的分数增益，远大于在原位多写几个字。

在我们的口径里，这个指标最大的价值是把“可见度”从事件变成了程度。监测报告只写“品牌在若干问题中被提及”，信息量有限；带上位置与篇幅的分布，才能区分品牌是作为答案的主角出现，还是混在罗列里充数。解释“为什么两条同为’被引用’的记录价值悬殊”时，这是最顺手的分析框架。

举个对照。同一条答案里，A 品牌出现在开头并被整句转述，B 品牌在末段与另外几家一起被罗列。二元口径下两者都是“被提及”；PAWC 口径下，A 在字数与位置权重上双双占优，得分差距悬殊。更关键的是，用户实际读到并记住的也更多是 A——指标设计与注意力现实在这一点上重合，位置加权不是学术洁癖，而是对真实消费行为的近似。

位置即权重：答案侧与页面侧的相互印证

PAWC 是答案侧的位置权重；站内另有一条页面侧的实证可以对照——约 44.2% 的 ChatGPT 引用落在页面开头约 30% 的内容上（服务商单源口径，见前 30% 引用分布数据卡）。引擎在挑选内容时偏好页面前置的结论段，被选中的内容又被放到答案的显要位置：位置在页面内与答案内两层同时起作用。这正是我们要求每个小节先写即答段的机制依据——结论前置，检索与生成两端同时受益。

位置权重还必须结合引用窗口来读。各引擎单次答案引用的来源数量差别很大，站内转述的口径是 ChatGPT 平均约 7.9 个来源、Perplexity 约 21.9 个（见引用窗口数据卡）。窗口越窄，能进入答案的来源越少，位次之间的得分差距被指数权重放得越大；宽窗口引擎里，长尾来源有机会以较低权重入场。理解了这一点，就能解释同一个内容资产在不同引擎上“体感差距”为什么那么大——不是内容变了，是计分板变了。

对监测设计的启示同样直接：报告“被提及”时应同时给出位置分布，只统计出现次数的报表会系统性高估“末尾致谢式提及”的价值。我们自己的监测口径因此把提及位置与引用位次分开记录，避免把两类资产混成一个数。

学术标尺如何变成商业工具的“引用位次”

商业监测工具普遍不直接输出 PAWC，而是把它简化为引用列表里的 1-10 位排名。简化有它的道理：引用列表自带位次结构，整数位次好产品化、好做趋势、好向客户解释。代价是丢掉了两类信息——正文提及与引用列表的差别、整段转述与一笔带过的差别；部分工具以“品牌提及”与“域名链接”双口径分开统计，算是部分弥补。

所以我们对本站用户的建议是：把商业工具的位次数据当作 PAWC 的粗化版本来读，重点看位次与引用率口径的纵向趋势，不要把某个绝对位次当成精确事实。各工具的位次算法、提示词集、采样次数互不相同，绝对值没有严格可比性——先问口径，再看数字。

把 PAWC 思想搬进自己的监测

不是每支团队都能复现论文口径，但位置加权的思想可以低成本借用。手工审计的做法：固定一组提示词，采集若干次回答，把每条答案按相对位置切成开头、中部、结尾几段，分别记录品牌出现与否、被转述的字数与形态（整句转述、名词罗列、引用角标），再统计各段的分布。不实现指数衰减，也能得到结构性结论——品牌集中出现在答案尾部，就是位置劣势的直接证据。

解读这类审计要防两个陷阱。一是答案长短差异：同一品牌在长答案中部出现与在短答案中部出现，相对位置完全不同，按相对位置而非绝对字数分桶更稳。二是正文与引用列表是两套坐标系：列表位次与正文位置先分开记录再合并分析，否则会把“列表第一”与“正文开头”混为一谈。

从审计到动作的链路也要接上。品牌集中在中后段，优先检查内容是否缺少前置结论、是否缺少能被整句摘录的即答段；品牌只出现在罗列里，说明内容停留在“被知道”的层面，缺的是能支撑转述的独有事实——这两类短板对应的内容改造动作完全不同，混在一起排查会互相干扰。

用 PAWC 读战术实验，并守住它的边界

GEO 奠基论文正是以 PAWC 为标尺，在一万条查询的基准上实测了九种内容战术（见GEO 论文文献卡）：基线约 19.3 分，添加引语最强、把分数抬升约 41%，统计数字、流畅度、引用来源紧随其后，而关键词堆砌是唯一负收益的战术。论文还以 LLM 评审的主观分与 PAWC 互校，防止单一指标被“堆字数”式的内容钻空子。

对后来者更友好的是另一组对照：排名第 5 的来源加上引用来源类治疗后，可见度提升约 115%，高居第 1 的来源反而收益为负（见第 5 名增益数据卡）。位置权重的存在，让“从后排挪到前排”的边际收益远大于“锦上添花”，GEO 因此被描述为一次去垄断化的机会窗口——起步晚的来源从战术改造中得到的回报，反而可能最大。

边界也要讲清楚。PAWC 是实验度量，不是任何引擎公开的真实打分；不同引擎答案结构不同，正文内嵌引用与列表引用的权重不可直接互比；引用本身是概率事件，同一问题多次提问结果不同，任何比较都应建立在多次采样的分布上。把它当“理解可见度结构”的思维工具，而不是可精确对表的仪表盘，是这个指标最稳妥的用法。