犀牛云 GEO 实验室《大模型训练层可信源研究报告》

“AI 为什么知道（或不知道）你的品牌”有一半答案在训练层。犀牛云 GEO 实验室的《大模型训练层可信源研究报告》把镜头对准了这一层：全球大模型的训练数据中，Wikipedia 的权重约 3-5%；而文心、通义、DeepSeek、Kimi 等中文模型中，百度百科的权重显著更高。站内数据卡收录了主数字，本卡补齐这项研究的框架与用法。

核心发现：一个类比锚

这份报告最有传播力的产出不是 3-5% 这个数字本身，而是它支撑的类比：中文模型对百度百科的倚重，相当于全球模型对维基百科的倚重。类比的价值在于可迁移——所有在英语 GEO 语境里被验证的“词条=实体先验入口”逻辑（Wikidata、infobox、实体消歧），都可以平移到中文的百科侧。机制上这与检索层是两回事：训练层决定模型“天生知道什么”，检索层决定“回答时引用谁”；词条内容两层通吃——它既在训练语料里塑造先验，又因结构化程度高而容易被检索命中。

对品牌的两层动作

第一层是实体词条建设。企业实体词条+同名消歧处理，是 AI 正确识别品牌实体的前提（实操展开见实体一致性审计与实体与品牌工程）：名称、成立时间、主营产品、资质等字段在词条与官网之间保持一字不差。第二层是分市场配比：出海业务铺 Wikidata/维基百科，中文业务铺百度百科——两层口径若互相矛盾，模型先验里就会长出两个“事实”。这也是站内百科家族档案按引擎拆分取用差异的原因：中文引擎的百科取用并不均质。

局限与口径警告

三条边界随数字一起引用。其一，服务商出品：犀牛云是 GEO 服务商，报告是其专业叙事的一部分，方向可信、方法未公开复核。其二，“权重 3-5%“的口径含糊：是训练语料的构成占比还是引用/采信权重，报道未说明，引用时保留”约“字与”报告口径“前缀，不做二次推算。其三，样本与模型版本未披露，“中文模型”是一个笼统集合。这组数字的稳妥用法与它的类比锚一致：不用于精确测算，用于回答“要不要把词条建设排进 GEO 优先级”——答案是排，且排在多数内容动作之前。