定义
LLMO(大模型优化)是「影响语言模型如何表征一个品牌」的统称,既包含模型训练时吸收的内容,也包含它回答时检索到的内容。实际上公开的 LLMO 建议大多只讲检索这一半,因为只有这一半是本季度就能影响的。
为什么重要
这个区分决定了什么值得做。训练期的存在感慢、且基本不由你控制;检索期的存在感会对本月发布的页面、以及模型会去取的第三方来源作出反应。
如何衡量
在工具允许的情况下,同一道问题分别在开启和关闭联网检索时各问一次。只有开检索才出现的品牌,完全活在检索这一半里。
两者在技术访问与内容质量上重叠;但 GEO 衡量的是答案本身——品牌是否被点名、被推荐、被引用——而不是排名位置。
保持问题集稳定并按固定频率复测,再做同口径比较;同时改问题和频率会让结果失去可比性。
不等于。页面可能只是作为背景被引用,而真正被推荐的是竞品;两者使用独立口径报告。
草稿可以由 AI 生成,但发布的每一篇都经过人工审阅 —— 没有内容会自动上线。
有重叠但不相同。两者都奖励清晰可信的内容;但只有一边的衡量标准是「模型是否在答案里点名你」。
来自产品里衡量的真实做法 —— 官网的说法和工作台里的数字指的是同一件事。