AI guides

ICLR 2026 | OpenAI打广告后,如何成为爆款?CMU提出AutoGEO解密流量密码

By CX Research Group0 viewsSource: 机器之心
ICLR 2026 | OpenAI打广告后,如何成为爆款?CMU提出AutoGEO解密流量密码

AI 搜索引擎正逐渐取代传统搜索入口,「问 AI」已经成为日常习惯。随着 OpenAI 宣布在 ChatGPT 中引入商业推荐,搜索与内容分发的边界正在被重新定义。在这样的环境下,你的内容能否在 AI 搜索中成为「爆款」,不再只取决于标题和流量,而是更大程度取决于 AI 本身的引用偏好。

The full text has not been translated yet. The Chinese original is shown below.

AI 搜索引擎正逐渐取代传统搜索入口,「问 AI」已经成为日常习惯。随着 OpenAI 宣布在 ChatGPT 中引入商业推荐,搜索与内容分发的边界正在被重新定义。在这样的环境下,你的内容能否在 AI 搜索中成为「爆款」,不再只取决于标题和流量,而是更大程度取决于 AI 本身的引用偏好。

你不只是和其他网页争排名,而是在争夺被AI「采纳进答案」的份额。被引用的网页未必最权威、也未必最早发布,它往往只是有更「适合被拼进回答」的写法。

卡内基梅隆大学的研究团队发表在 ICLR 2026 的这篇论文把这种新流量密码解码得很直白。

论文、代码、模型参数、试用 Demo 见Github。

文章配图

  • 论文标题:What Generative Search Engines Like and How to Optimize Web Content Cooperatively
  • Github:https://github.com/cxcscmu/AutoGEO

01 GEO:从 ranking 变成

「visibility in answers」

传统搜索的基本动作是「检索 + 排序」:给你一串链接,用户自己点击阅读。

生成式搜索引擎(Generative Engines,GE),例如 Google AI Overview、ChatGPT,正在形成新的流量规则。这类引擎的基本动作通常是「检索 + 综合 + 生成」,先检索候选文档,再让 LLM 把内容整合成一段答案,顺带附上引用来源。

这带来一个结构性变化:内容的曝光不再等于「排第几」,而是等于在答案中被写进多少、写在多靠前的位置、以怎样的方式被引用。也因此,过去那种「写得更 SEO」未必等于「更容易被生成式引擎吸收」。

于是出现了Generative Engine Optimization(GEO),优化网页内容以提高被 AI「采纳进答案」的份额。但现有的 GEO 多靠人工启发,比如加统计、关键词策略、强调流畅等,依靠直觉和经验。

更麻烦的是:如果你为了被引用而改写,可能会伤害生成式引擎输出的可靠性与效用。这就是论文不断强调的「合作式(Cooperative)」立场:优化可见性,不能以牺牲引擎效用为代价。

02 AutoGEO:用最大反差样本,

把偏好从玄学变成规则集

这篇论文的核心贡献是提出 AutoGEO:先从大量「可见性有差异」的对比证据里,自动抽取生成式引擎偏好规则;再用这些规则去改写网页,并且把对引擎效用(Generative engine utility,GEU)的影响纳入评估。他们还训练出一个小模型 AutoGEO Mini,推理成本只有 API 方案的 ~0.0071x。

文章配图

AutoGEO:规则发现 -> 规则驱动改写(API / 小模型)的整体框架。

AutoGEO 的第一步不是改写网页,而是学习「口味」。作者把生成式引擎抽象为:对每个 query,引擎检索候选网页集合,再用 LLM 生成答案。随后计算每个候选网页在答案中的可见性分数。可见性分数沿用 GEO 系列客观指标衡量:不仅看引用字数(Word),还看引用位置权重(Pos),以及综合指标(Overall)。

关键设计在于「证据选择」:对每个 query,他们不做平均对比,而是挑一对可见性差距最大的网页。使用这样一对一个被大量吸收、一个几乎没被用的文档,也就最容易看出偏好差异的「判别特征」。

接下来是四段式 LLM 处理步骤,把海量对比样本压缩成可执行规则:

  • Explainer:对比两篇文档与最终答案,生成自然语言解释(它们哪里不同、为何可能导致引用差异)。
  • Extractor:把解释提炼成结构化 insights(偏好因素的要点化表达)。
  • Merger:把成千上万条 insights 合并成候选规则。为了可扩展性,论文设计了 Hierarchical merging,解决「上万样本 -> 稳定规则」的合并瓶颈。
  • Filter:过滤掉噪声、歧义与不稳定规则,得到最终规则集。

03 怎么用:

即插即用与超低成本可部署

AutoGEO 的第二步才是改写:让网页更符合规则,从而更可能被生成式引擎引用。

路线 A:AutoGEO API(Prompt-based,即插即用)

把规则集直接嵌入 prompt 的「Quality Guidelines」,调用强 LLM API 如 Gemini、GPT 完成重写。优点是无需训练、部署快;缺点是成本和吞吐受 API 限制。

文章配图

路线 B:AutoGEO Mini(RL-based 小模型,超低成本可部署)

作者微调小模型做同样的改写,并用强化学习把「可见性提升」与「合作式约束」绑定在一起。

  • Cold start:先用 AutoGEO API 做 Teacher 生成改写数据,对小模型做 SFT,避免 RL 初期发散。

  • GRPO 强化学习:同一文档采样一组候选改写,按奖励学习。奖励由三部分组成:Outcome reward(改写是否提升可见性)、Rule reward(是否满足抽取到的规则)以及Semantic reward(语义是否忠实原文)。

04 怎么评估「有效且不作恶」

这篇论文的评估不只刷可见性指标,还显式评估引擎效用(Utility)是否被破坏。论文实验涵盖三个数据集GEO-Bench、Researchy-GEO、E-commerce,分别测试 AutoGEO 在不同领域、不同意图环境中的性能。

同时,实验考虑基于多种前沿 LLM的 generative engine,包含 Gemini、GPT、Claude。

实验指标主要分两类:

  • GEO:度量网页在答案中的可见性,沿用 GEO 的三类指标 Word / Pos / Overall;

  • GEU:衡量合作程度,也即答案质量,度量生成式引擎答案与真实答案的相关性、忠实性与质量。

实验结果表明,AutoGEO API 与 AutoGEO Mini 在多个设置下显著提升可见性指标,尤其 AutoGEO API 的提升幅度很大,比最强的基线模型高 50.99%。

文章配图

三大数据集上的总体对比:AutoGEO API / AutoGEO Mini 显著优于基线。

论文把合作式的承诺落在 GEU 指标上:在大幅提升 GEO 指标的同时,GEU 多数情况下与 Vanilla 接近。

这点很关键:GEO 如果只看「我被引用了多少」,会不可避免把互联网推向噪声与操纵;但如果把 GEU 纳入硬指标,至少为「优化的边界」提供了可讨论的标准。

文章配图

不同引擎下,可见性(GEO)与效用(GEU)并列对比。

05 发现:规则并不通用

规则既有共识,也有碎片化风险。

如下图 (a),论文显示不同 LLM 引擎之间偏好规则重叠度不低,说明存在「通用型好写法」;但仍有 engine-specific 的独特规则。更剧烈的是图 (b) domain shift:从开放域数据集迁移到电商意图,规则重叠显著下降;并且电商更偏好 actionable guidance(可操作步骤、建议),研究类更偏好 in-depth explanation(机制、原因、背景的解释深度)。

文章配图

不同领域 / 任务下的共通规则与独特规则示例:一套写法可能跨域失灵。

这对内容生态是一个直接的信号:未来可能出现「同一页面多版本」,分别迎合不同引擎,甚至按领域意图维护不同写作模板。

06 小结

AutoGEO 给内容方打开了一扇门:偏好可以被抽取、规则可以被更新、改写可以被训练、成本可以被压到极低。

生成式搜索时代的一个新现实是:你写给人看的网页,可能首先要通过「答案机器的消化系统」。下一步怎么走,决定互联网会更透明,还是更像一场模型与模型之间的军备竞赛。接下来真正的竞争不仅在内容方,也在引擎与生态治理:

  • 当大量网页开始「为引用而写」,引擎还能否区分「更有信息量」与「更像会被引用的信息」?

  • 如果平台开始频繁更新偏好以对抗被规模化迎合,是否会出现一场持续的「规则 - 反规则」军备竞赛?

AutoGEO 把 GEO 从玄学推进到工程,也把生成式搜索的下一轮博弈,提前公开了。

作者简介

本文作者来自于卡内基梅隆大学计算机学院语言技术研究所 CX Research Group,指导老师是 Chenyan Xiong 教授。组内研究聚焦于语言模型,主要包括基础模型训练,与深度研究、RAG 有关的信息检索和生成,以及语言模型的应用。团队主页:。欢迎大家关注我们团队的最新研究成果!

文章来自于“机器之心”,作者 “CX Research Group”。

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)