犀牛云发布《大模型训练层可信源研究报告》

2026 年 6 月 22 日，犀牛云 GEO 实验室的《大模型训练层可信源研究报告》经中华网科技报道进入公开视野。报告的核心口径：全球大语言模型的训练数据中，Wikipedia 的权重约在 3-5%；而在文心、通义、DeepSeek、Kimi 等中文模型的训练语料里，百度百科的权重显著更高。报告把“可信源”定义为模型在训练阶段建立信任锚点的语料来源，并主张 GEO 的优化面应从“被检索引用”前移到“进入训练层可信源集合”。

需要注意该报告的成色：这是服务商出品的研究，经媒体转载发布，方法论未公开复核，权重数字应作为该报告口径引用而非学界共识。但它填补了一个公开讨论缺口——中文语境下“训练层信源”与“检索层引用源”的分层此前少有量化表述。

GEO 含义

报告把 GEO 的战场一分为二：训练层（进语料、做权重）与检索层（被联网搜索抓取引用）是两个不同的优化面，打法与周期都不同。中文市场的实操含义是百度百科等中文可信源的权重假设需要按模型分别验证。报告口径见犀牛云报告研究卡，Wikipedia 权重数据见Wiki 权重数据卡。