AI 代理开始替人做决定了。买哪个、订哪家、引用哪篇论文，用户不再自己一个个点开比，而是把整套动作交给模型，等一个结论。

很多做 GEO 的人默认一个前提：只要把条件写全、把事实讲清楚，模型就会公平地比一遍，谁满足得多谁赢。首尔国立大学与 NAVER AI Lab 在 10 月 2 日放出的预印本《Source Preference in the Wild》，直接把这个前提掀了——模型不是先比条件，而是先看这件事是从哪个来源来的。

同一个位置、同样满足要求，模型照样挑来源

研究拿 12 个主流 agent 模型跑了三个场景：买商品、订酒店、选论文引用。控制变量做得很干净——把来自不同来源的选项，调成满足同样要求、排在同一位置，然后看模型选谁。

结果不是随机的：

  • 每个模型在每个场景里，都有自己偏爱的来源，也有刻意回避的来源；
  • 12 个模型在「偏爱谁」这件事上高度一致，不是各偏各的。

这意味着一件不太舒服的事：同一个品牌，可能在大多数模型那里都吃亏，也可能在大多数模型那里都占便宜。这不是运气问题，是系统性的。

偏好能压过条件：少一项，反而被选中

更值得注意的是偏好和「满足要求」打架时谁会赢。

论文给出的数字是：少满足一项要求、但来自偏好来源的选项，对上满足全部要求、但来自非偏好来源的选项，约三分之二的情况下模型选前者；把这两个位置反过来，几乎不会发生。换句话说，来源对了，缺一项也能过；来源不对，写全了也未必进。

来源身份本身就能左右结果，这一点被单独验证过：

  • 把标识来源的信息藏起来，偏好明显变弱——说明模型是「认牌子」，不是「认东西」；
  • 给一个选项贴上偏好来源的标签，它的中选率立刻上升。

论文里还有一处消融实验：把两边原本缺失的价格都补上，偏好来源被选中的比例最多下降 28.3 个百分点。信息一补齐，牌子带来的加成掉了一大截。

这套偏好是怎么长出来的

论文梳理了两条来路，都能对上 GEO 的日常。

一条是训练路径。模型被奖励「选出更好的东西」，久而久之学会了走捷径：某个来源的东西通常不错，于是干脆把「来自这个来源」当成「满足要求」的替代品，不再逐条核对细节。

另一条是信息缺失路径。关键字段一旦缺位，模型就会拿对来源的先入印象去填空。典型的例子是没标价：两边都没有价格时，模型会默认某家连锁更便宜——这个假设可能和事实完全相反。

GEO 该做的：把缺的信息补上

论文也给了缓解办法：把缺失的信息补全，或者加一段明确的反偏见提示，来源偏好会显著下降。前者恰好是品牌方自己就能做的事，后者得靠平台。

落到执行上，四件事值得排在前面：

  • 把属性写全写准：价格（含税）、规格、服务范围、时效，缺一个字段，模型就多一次猜的机会；
  • 别只写「我们很好」，写能逐条核对的参数：参数越齐，来源标签能起的作用越小；
  • 跨来源对齐：官网、平台档案、第三方目录里同一个字段要一致，模型会拿多个来源互相印证；
  • 监测多一列：同样的问题问下去，竞品是不是被优先了——这是「来源份额」，比只看自己出不出现更接近真相。

一句话提醒：这是预印本，结论还没经过同行评审，当作线索看，别当定论用。

结语

对品牌方来说，真正的功课不是「让 AI 记住我」，而是「当模型信息不够时，它不会拿对来源的成见替我下结论」。把信息补全，就是把判断权从「来源印象」手里拿回来。