LLM 搜索行为的品牌与来源偏好

这篇 2025 年 9 月挂上 arXiv 的论文系统比较了主流生成式引擎的选源行为，坐实了两个结构性偏好：第三方「赢得媒体」获得压倒性优先，知名大品牌系统性受益；同时各引擎在领域多样性、时效性与跨语言稳定性上差异显著。对从业者最直接的结论是——不存在「一招通吃」的 GEO 策略，分引擎、分语言制定方案是必选项而非加分项。

偏好一：引擎为什么把版面让给第三方内容

论文最硬的发现是选源结构：生成式引擎在合成答案时系统性偏好引用第三方内容，品牌自述的权重被结构性压低。机制上可以定性解释——品牌官网有天然的利益相关，「自家产品最好」这类陈述在任何评估体系里都要打折；第三方内容彼此独立、可交叉印证，恰好构成生成式引擎最依赖的素材结构。这条偏好对策略的颠覆性在于：品牌以为的主阵地（官网）在引擎眼里是折扣源，以为的辅助（第三方评测、社区讨论）才是主渠道（术语详见赢得媒体术语卡）。

中文侧有一份规模可观的同向证据：新榜对千万级信源 URL 的统计显示，第三方客观内容约占中文 AI 搜索引用的八成，品牌自推内容仅约两成（数值与样本口径见中文 AI 搜索信源结构数据卡）。全球学术结论与中文从业者实证在同一个方向上会合，这类跨市场互证比单一研究的说服力高一档。

偏好还有一层不显眼但很实际的后果：它改写了「内容在哪生产」的答案。既然引擎优先引用第三方，品牌内容团队的最优分工就不是继续扩产官网文章，而是把事实弹药送到第三方手里——可核验的参数、一手的数据、可复测的样品，让愿意写的人有材料可写。自述内容的角色从「主渠道」退为「权威口径的锚点」，两边的预算配比要按这个新角色重算；这也是为什么 GEO 预算讨论的第一步往往不是加钱，而是把存量分配摆上桌面。

这个角色的重画也有边界要补：品牌自述并非无用。在实体确认、参数口径、官方回应这些场景里，官网仍是权威锚点，引擎与用户都会回头核对。被压低的是自述作为「说服材料」的权重，而不是它作为「事实基准」的价值——分清这两种用途，预算才不会从一个极端摆到另一个极端。

偏好二：大品牌偏差，中小品牌的活路在哪

第二个结构性偏好是大品牌受益：知名度本身参与选源加权，越常被语料提起的名字越容易被答案提起——这是共现机制的直接后果，也意味着品牌资产是 AI 可见度的上游。第三方研究给出了量化侧证：全网品牌提及量与 AI 可见度的相关性远高于外链（口径见Ahrefs 品牌提及研究卡），「被说得多」比「被链得多」更接近新规则下的硬通货。

但大品牌偏差不等于中小品牌出局。偏好作用于「谁配得上这个话题」的判断，而话题可以切细：大品牌垄断得了大品类词，垄断不了「什么场景下该选什么」这种带上下文的长尾问法。中小品牌的机会在垂直领域的第三方内容占位——在具体问题、具体场景、具体对比里被第三方反复提及，而不是继续把预算砸在官网自述上。引擎引用池与 SERP 排名也正在解耦：站内留档显示，ChatGPT 高频引用页面中相当一部分在 Google 自然结果前百之外（见ChatGPT 零自然可见度数据卡）——传统排名弱势不是放弃的理由，反而是换道竞争的入口。

垂直占位的具体打法可以落到三个动作。选场景：从用户真实的任务与痛点问法里选共现词，避开大品牌扎堆的词海。铺第三方：评测、对比、榜单、社区问答，都是长尾问法天然会召回的载体。做口径：品牌的一句话定义与关键参数全网一致，让分散的第三方提及能被归到同一实体。三个动作里没有一个是「把官网写厚」——方向本身，就是这篇论文给中小品牌最大的价值。

引擎差异：为什么没有一招通吃

论文的另一半贡献是把「引擎间差异」钉成结构事实：不同引擎在领域多样性（各自偏好的内容领域不同）、时效性（对内容新鲜度的要求不同）与跨语言稳定性（同一品牌在不同语言市场的呈现不一致）三个维度上差异显著。翻译成预算语言：同一套内容资产在不同引擎上的回报率不同，且同一品牌在不同语言市场几乎要当作不同战场来规划。

站内的引擎侧证据与这个判断严丝合缝：三家头部引擎的同题引用重合度极低，绝大多数引用只出现在单一引擎（见三引擎引用重合数据卡）。引用池高度分裂意味着单引擎的「全绿」不能外推，监测必须按引擎分列，预算必须按引擎分配——把「AI 可见度」当一个总分来汇报，是这个时代报表设计最常见的错误。

时效性与跨语言两个维度再各自展开一句。时效性：引擎对新鲜度的敏感度不同，同一篇旧文在不同引擎上的可用寿命不同，内容维护与更新频率要按目标引擎的胃口定，而不是一刀切。跨语言：同一品牌在不同语言市场的语料结构完全独立，中文侧的第三方声量不会自动迁移到英文侧——出海品牌与在华的海外品牌都要按语言分别盘点资产，把「全球品牌」拆成一组具体语言市场里的本地任务。

落到策略框架：三层推论

这篇论文支撑的策略框架可以压成三层。资产层：品牌提及、第三方评测、社区声量是 AI 可见度的上游，投入优先级高于继续堆官网内容。结构层：赢得媒体占位要按引擎、按语言分别规划，一个市场有效的战术不默认迁移到另一个市场。测量层：任何「全局 AI 排名」的说法都要先追问是哪个引擎、哪种语言、哪个领域的口径，再决定要不要采信。

对本站用户，我们建议把这篇论文当作策略分型的起点：先盘点自己品牌的第三方内容资产在哪些垂直问法里已有占位，再按目标引擎逐个规划内容与监测，而不是先写内容再问效果。方向上它与站内的既定判断一致——引擎分论、语言分论、把品牌资产当上游来经营；它的独特贡献是把这三个「分」从经验直觉升级成了有对照实验支撑的结构性结论。

分引擎测量怎么落地，站内已有现成框架：按引擎分别统计出现、可携、集中三类读数（见Presence·Portability·Concentration 三指标术语卡），恰好把「必须分引擎」从口号变成报表结构。策略分型完成后，每次复盘都回到同一个问题：这轮投入在哪个引擎、哪种语言、哪个领域换来了什么——三个坐标定住，前后两轮的答案才可比，预算的去留也才有依据。