引用选择机制：生成端怎么决定引谁

上下文窗口里此刻摆着十几个来源块，模型的注意力扫过它们，然后开始逐字生成答案。转述谁的观点、采纳谁的数字、把引用角标挂到哪句话后面——这一步没有任何人能看到内部过程，但它决定了前面所有环节的意义：检索、切块、精排把你的内容送到模型面前，最后“点名”的是这层机制。本页拆解引用选择的三类信号——语义支持度、权威信号、位置倾向——以及被普遍忽略的第四件事：挂链是独立于转述的另一步，且不精确。

即答：引擎选引用不是选“最好的网页”，而是在合成每个论断时选“最能支撑这句话的段落”。支持度决定配不配、权威决定信不信、位置决定看不看得到；而转述了你不等于引用了你——两个动作由不同环节产出，可以分离，也各自会出错。

机制拆解：三类信号与一步挂链

先把位置摆对：本页讲的是流水线（见RAG 全链路页）第三、四格之间的事——候选块已经进了上下文（检索端的排位逻辑见重排序页），生成端在写每个论断时做最后一次取舍。取舍看三类信号。

**信号一：语义支持度——“相关”不等于“支持”。**一段主题相近的文字未必佐证那个具体断言：块里讲的是行业平均，问题问的是你的品类；块里的结论带三重限定，答案需要的是无限定版本。生成端逐论断找的是“能完整支撑这句话”的段落——这就是为什么结论自含、限定条件在场、口径完整的即答段在转述竞争里占便宜：它把“验证我”的成本降到了最低。这个信号的反面有量化口径：生成语句被引文完全支持的平均比例仅 51.5%（Stanford 四引擎审计，2023-10，见数据卡）——引擎自己的支持度核验就不严格，写得越“免核验”的内容越容易被顺手采信。

**信号二：权威信号——来源类型与多方印证。**面对语义支持度相近的候选，生成端对来源做可信度加权：独立第三方、权威机构、多源一致的结论获得更高的采信权重；品牌自述源天然低权重——动机不中立、无法自我证伪。这层的量化背景：中文 AI 搜索引用中第三方内容约占 80.9%、品牌自推约 19.1%（新榜 142.9 万次问答口径，见数据卡）。模型层的评估（RGB 基准）补充了机制根源：模型对来源可信度的加权并不完美，噪音与反事实鲁棒不足——正因如此，“同一结论在多个独立渠道语义一致”是给不确定的加权过程上保险（框架见多源交叉印证），而 E-E-A-T 类质量信号是内容方能主动积累的权威侧输入（见术语卡）。

**信号三：位置倾向——两层的 U 形。**位置影响被选中的概率，且在两个尺度上同时起作用。上下文尺度：多文档问答中模型对首尾信息利用充分、中部显著忽略，性能呈 U 形——TACL 2023 论文的系统实证（见Lost in the Middle 术语卡），精排座次靠前的块坐进曲线两端，靠后的坐进中部塌陷区。页面尺度与之互为镜像：44.2% 的 ChatGPT 引用落在页面前 30% 的内容上（TryProfound/Kevin Indig 口径，约 120 万引用样本，服务商单源，见数据卡）——页面前置的块更容易被检回并排前进上下文，等于在两个尺度上同时占了曲线左端。顺带一提，引用呈现本身也有位置：GEO 论文的计分口径（PAWC）对答案中越靠前的提及权重越高（见 PAWC 术语卡），“被引用”内部的含金量同样分层。

**第四件事：挂链是独立且不精确的一步。**转述与署名由不同环节产出。合成完成后，系统把答案语句与来源对齐生成引用——角标内嵌或文末列表，形态因引擎而异。对齐本身会出错：74.5% 的引文真正支持对应语句（同一审计的出处侧口径，分母是引文不是语句），意味着四分之一的挂链是错位、弱挂或张冠李戴。于是四种组合都存在：转述了也引用了（目标状态）、转述了没引用（用而未引）、没转述但引用了（列表挂名）、转述了但挂了别人的名。诊断时先分清卡在哪一格。

对 GEO 的四条推论

**推论一：把每个论断写成“免核验”形态。**结论句自含、限定条件在场、数字带口径与出处——让模型采信这句话不需要任何额外推理。这同时优化信号一（支持度直接）与挂链精度（句子与出处一一对应）。自查标准：把页面上的引用全删掉，论断是否仍“看起来很硬”——是，则论断缺依据，补源而不是补形容词。

**推论二：权威是加权项，不是入场券。**自述源天花板低，官网写得再完美也改变不了 80.9% 对 19.1% 的引用池结构；正确姿势是官网承载标准定义，第三方与权威渠道承载印证——评测、报道、社区讨论、百科条目，让“关于你”的结论在多个独立来源里语义一致。矩阵布局的机制依据就在这层（平台配比见多源交叉印证）。

**推论三：在两个尺度上同时抢占位置高位。**页面内：即答段置顶、每节结论先行；上下文内：靠“被精排排前”获得曲线两端的座位。两层叠加不是重复投入——页面尺度的前置同时提高进上下文的概率与进上下文后的吸收率，一次动作两处受益（写法展开见即答段术语卡）。

**推论四：提及与引用分开追，用而未引有专门的药方。**正文被转述但列表没挂你：检查品牌词与来源标识是否在场——挂链对齐需要“这句话来自哪里”的显式线索，匿名化的通用表述容易被吸收却无法署名。列表挂了你但正文没转述：先别高兴，那是低质量挂名，用户既不会点也不会信；该追的是让核心论断被正面转述（指标口径见引用率术语卡）。

常见误解

**“引用列表里的来源就是答案的依据。”**51.5% 对 74.5% 两条口径说明：正文可能超出引文的支持范围，列表也可能挂着不对应的出处。引用列表是“进一步阅读的入口”，不是逐句背书。

**“被引用的是最权威的来源。”**被引用的是支持度、权威、位置三种信号乘积最高的那个块。权威弱势但支持度极高、位置极优的内容，完全可能挤掉权威强势但写得含混的来源——这正是中小站点在引用竞争里的结构性机会。

**“引用选择是确定性的，被引过就会一直被引。”**选择发生在概率性合成里，每次生成现场重算一次。上次被引、这次没被引，可能只是采样波动而不是内容退化的信号——判定退化需要固定问题集的分布对比（采样纪律见个性化与记忆层页）。

**“多挂几个出处的引用就能提高被选概率。”**挂链是输出侧动作，站点控制不了；站点能控制的是输入侧——出处清晰的内容让机器对齐时不容易挂错。在自己页面里堆引用改善的是你页面的可信度（对被检回有利），不直接改变引擎答案里的挂链行为。

限制与待核实

• CS-01：引用选择是整条流水线最不透明的一层，没有任何引擎公开选择算法；“三类信号”是对可观察行为与研究证据的归纳框架，不是某家引擎的实现描述。
• CS-02：51.5% 与 74.5% 为 2023 年 10 月 Bing Chat/NeevaAI/Perplexity/YouChat 四引擎人工审计口径，数值不代表当前引擎，定性结论耐用。
• CS-03：80.9% 为新榜单源口径（142.9 万次问答）；44.2% 为 TryProfound/Kevin Indig 服务商单源口径（约 120 万引用样本）——两者都未复验，引用时保留口径标注。
• CS-04：U 形位置偏差是统计倾向而非铁律，不同任务、不同模型曲线深度不同；“重要信息放两端”作为写作纪律耐用，作为物理定律使用则过度。
• CS-05：四种转述-引用组合的发生比例无公开数字，本页只给分类框架，不给各格占比。