AI × GEO 国内资讯  |  2026年10月10日  |  新闻解读

10月9日，字节Seed团队一项关于大模型长上下文检索的研究受到科技媒体关注。研究论文实际上于9月28日提交至arXiv，题为《Periodic Weak Spots: Phase Sensitivity from Chunked KV-Cache Compression》。论文讨论了使用分块KV缓存压缩的模型在不同信息位置上可能出现的检索性能差异。

媒体报道将这一现象形容为DeepSeek有时“抽风”，但企业在解读时必须谨慎：论文分析的是特定架构和测试条件下的长文本检索问题，并不意味着所有DeepSeek对话都会出错，更不能直接等同于某品牌在AI搜索中排名不稳定的唯一原因。对GEO行业而言，它提供了一个更重要的方法论提醒——一次问答结果不足以证明稳定效果。

一、研究究竟发现了什么

分块KV缓存压缩的目的，是降低模型处理长文本时的存储和计算成本。研究者指出，这类压缩会引入与分块边界相关的位置因素：同一段信息处于不同位置时，模型把它检索出来的难易程度可能不同。研究把这种周期性的检索变化称为“相位敏感性”。

论文摘要指出，在采用相关压缩方式的部分大型开放权重模型中，不同位置条件下的长文本检索准确率最高可相差约40个百分点。这是研究设定中的最高观察差异，不是对所有模型、所有问答任务的普遍统计，也不是品牌推荐率下降40%的证据。

研究还强调，平均测试分数可能掩盖某些位置上的弱点。论文目前属于预印本，仍需后续研究与同行检验。对于企业传播，引用“40个百分点”时必须同时交代研究范围，不能把技术指标改写成商业效果数据。

二、为什么这件事和GEO效果评估有关

许多企业做GEO时，常见交付方式是选择一个问题、打开一个AI平台、获得一次品牌推荐，然后截图作为“排名成果”。这种方式能证明当时、在该环境下确实出现过品牌，却不能回答另一个更关键的问题：换个时间、换种问法、换个账号或换种检索环境，结果是否仍然成立？

AI答案受到模型版本、是否联网、查询表述、对话上下文、检索结果、平台实验策略等多种因素影响。此次研究提醒我们，模型内部的长文本处理机制也可能带来额外波动。不过，不能把论文里的“相位敏感性”直接套到所有消费级AI搜索产品；它只是支持“应当做重复测试”的一个技术理由。

因此，GEO测评应从“展示一次成功”转向“统计一组稳定表现”。真正有参考价值的是明确样本范围、记录条件，并同时展示成功和未成功的结果。

三、上海秒响应网络可以怎样改进监测口径

首先，为每个行业建立采购决策型问题池。例如工业企业可以覆盖“某设备供应商推荐”“适合某工况的厂商”“能否提供认证和交付”“哪家企业支持定制”；软件企业可以覆盖“部署方式比较”“企业案例”“实施周期”“售后能力”。问题要来自客户实际决策，而非仅围绕品牌名称造句。

其次，对每个问题保留标准化记录：平台、日期、提问原文、是否开启联网、回答中出现的品牌、品牌位置、是否被明确推荐、是否引用第三方来源、是否存在事实错误。能确认模型版本时一并记录，无法确认时不要猜测。

再次，采用分时段、多轮次测试。一个问题至少观察多次，必要时增加近义问法，区分“偶然提及”“重复出现”和“稳定进入候选”。同一轮测试还应同时记录主要竞品，而不是只截取自己出现的画面。

最后，将结果表达为“在本次样本与测试条件下，品牌提及率为多少”，而不是声称“平台永久排名第一”。这种表述看似克制，却更容易获得企业采购部门的信任。

四、内容优化也需要针对“证据完整性”而不是单句植入

企业想被AI准确理解，基础资料首先要完整、清晰、前后一致。一个产品名称可能有多个叫法，一家企业可能同时拥有集团名、品牌名、简称和子公司名称。如果官网、新闻稿、第三方目录与自媒体的表述互相冲突，模型即使检索到资料，也未必能形成稳定判断。

对于B2B采购问题，建议把企业能力拆成可验证的事实：产品规格、适用行业、质量认证、服务城市、交付流程、客户案例的可公开部分，以及明确的联系渠道。内容不必机械堆叠“推荐”“靠谱”“哪家好”，而应围绕采购者需要比较的维度组织。

第三方信源的作用，也不应被理解成“发布越多越有效”。不同平台是否检索某个站点、是否采用某篇文章，以及是否把文章内容吸收到最终回答，都是需要实测的独立问题。

五、怎样向客户解释排名波动

客户今天看到品牌出现，明天又没出现，并不自动说明服务失败；同样，今天出现一次也不能说明优化已成功。合理的沟通方式，是给出测试样本、时间跨度、平台环境、竞争品牌变化和已采取的内容修正动作。

建议在月报中增加“稳定性观察”部分：同一批高意图问题连续测试，区分品牌提及、明确推荐、引用信源与事实准确性。若某个问题的结果大幅波动，应先检查测试条件和来源变化，再讨论内容优化策略，不要轻易归因于某一篇文章或某一次模型升级。

结语

字节团队的研究并没有给出一个“GEO排名公式”，却揭示了大模型测评必须重视测试条件的道理。对企业而言，真正值得采购的GEO服务不是漂亮的一张截图，而是能够长期追踪、解释波动、发现问题并验证改进的数据体系。

信息来源与核验

arXiv预印本，2026-09-28：https://arxiv.org/abs/2609.36322

IT之家，2026-10-09：https://www.ithome.com/1/010/780.htm