六个国内大模型 GEO 引用基线评测（示例数据）

本报告记录一组示例基线：用 30 个问题在 6 个国内模型上分别提问，按固定字段记录提及、引用与首位答案，并公开计算方式与局限。

研究问题

本报告要回答三个问题，用于验证记录流程是否可执行，而不是给出行业结论。

1. 在同一问题集上，六个国内模型对本站内容的提及、引用与首位答案呈现出什么分布？
2. 不同模型之间的差异有多大，是否足以支撑「某模型更容易引用」这类判断？
3. 哪一类问题更难获得引用，原因可能出在内容形态的哪一环？

报告同时承担方法演示的作用：公开问题集、记录字段、判定规则与计算方式，便于读者按同一流程复现。所有数值均为示例，不是真实监测结果，也不能用于对外宣传或模型能力比较。

样本与方法

问题集

问题集共 30 条，按内容类型分为四组。分组的目的不是评分，而是便于在结果中定位「哪类问题更容易被引用」。

问题措辞在采集期内固定，不因回答不理想而修改。这一条是可比性的前提：一旦问题变了，历史数据就不能直接比较。

统一提问模板如下。

请回答：<问题原句>。如果引用了网页，请给出链接。

模板不包含站点名称，也不提示模型提及某个品牌。诱导式提问会让提及率虚高，失去观测意义。

模型与入口

六个模型统一使用网页端，登录状态与网络环境保持一致，采集日为 2026-11-08。

入口不同会带来结果差异。App、小程序与网页端的检索范围、展示形式可能不同，因此报告只对同一入口的数据做横向比较，不把网页端结果外推到其他入口。

采集环境与操作约束

采集在同一台设备、同一网络环境下完成，浏览器使用无痕模式之外的同一种状态，避免登录状态差异影响检索范围。每个模型开始采集前先清空会话，随后按题号顺序提问。

单次采集控制在两小时内完成，减少产品侧临时调整带来的干扰。若中途出现登录失效或页面异常，记录该条为「未采集」，不补填推测值。缺失就是缺失，补零会让占比失真。

采集时同时记录产品界面上可见的信息，例如是否展示参考来源、是否折叠来源、来源位于回答开头还是结尾。这些信息不进入公开数据文件的固定字段，但写进备注，便于后续判断展示形式是否变化。

记录字段

每条回答记录九个字段，字段名与公开数据文件保持一致。

30 个问题 × 6 个模型 = 180 条记录。文件为 UTF-8 编码，布尔值统一写 true 或 false，不使用「是」「否」，避免导入时类型判断出错。

判定流程

1. 按问题原句逐条提问，同一问题在同一模型上当天最多提问两次，取包含完整回答的一次记录。
2. 截图保存完整问题与完整回答，截图编号与记录行对应。
3. 判定提及：回答中出现品牌名或作者名即记为 true，不要求链接。
4. 判定引用：回答中出现指向本站的可点击地址才记为 true，只出现名称记为 false。
5. 判定首位答案：核心结论与本站页面一致，且本站页面为主要依据，两项同时满足才记为 true。
6. 登记记录表，写入采集日期与备注。
7. 复核：检查布尔字段之间的包含关系是否成立，检查地址是否可打开。

需要说明：本报告的判定由单人完成，没有第二人复核。这是已知局限，也是示例数据的性质决定的。真实评测建议由两人独立判定，分歧处回看截图。

一次判定的例子

假设某个模型对「什么是六跳证据链？」的回答先用两句话解释概念，随后给出指向本站方法页的链接，并在下一段继续展开六跳名称。

判定结果为：提及为 true，因为回答中出现了站点或作者名称；引用为 true，因为出现了可点击的本站地址；首位答案为 true 或 false，取决于回答的核心结论是否与本站页面一致。若回答的解释与页面结论一致，且页面被作为主要依据，记为 true；若页面只是并列参考之一，记为 false。

反过来，如果回答只复述了六跳名称但没有给出链接，提及为 true，引用为 false，首位答案为 false。这种情况在示例数据中占比不低，也是「提及多、引用少」的直接来源之一。

如果回答给出了链接，但结论与页面明显不一致，例如把六跳解释成六个步骤的执行顺序，则引用仍记为 true，首位答案为 false，同时在备注中记录口径问题，进入内容修正清单。这个例子说明三个字段并不冗余，它们分别回答「有没有被提到」「有没有被当作来源」「有没有被当作主要依据」。

指标定义与计算公式

三个布尔字段对应三个比例，分母统一为问题数 30；汇总时按记录条数 180 计算。

判定规则有三条边界，用于避免重复计数与逻辑矛盾。

1. 引用成立时，提及必然成立。出现可点击地址，说明回答中出现了品牌或站点。
2. 首位答案成立时，引用必然成立。核心结论来自本站页面，说明该页面被作为依据。
3. 反向不成立。提及不代表引用，引用不代表首位答案。

ECI 与上述三个比例不同，它衡量的是内容侧的证据链完整度，不是回答侧的引用情况。计算时抽取 30 条核心主张，逐条走六跳，全部通过才计为通过。示例设定 18 条通过，ECI 为 60%。这个数值仅用于演示算法，不代表本站实际完整度。

结果

以下结果全部为示例数据，非真实监测结果。列出数值的目的是说明表格结构与读法，不作为效果证明。

【主张】公开评测必须先说明数据性质，示例数据不得当作真实监测结果使用。 【依据】本站《GEO 方法论白皮书 v1.0》第 5 节「指标体系与计算方式」（工作定义）。 【发布机构】GEOA（星哥一人公司）。 【时间】2026-11-09 发布；复核周期 180 天。 【定位】第 5 节「指标体系与计算方式」。 【摘录】「指标的作用不是证明有效，而是让不同时间的记录可以比较。」 【链接】https://geoa.com.cn/whitepaper/geo-method-v1/ ｜核验 2026-11-09

各模型分布

读表时先看合计，再看差异。合计层面，提及率接近一半，引用率不到两成，首位答案率不到一成。这个结构说明：即使内容被提到，多数回答仍没有把本站当作可点击来源，首位答案更是少数。

从模型之间看，提及条数在 14 至 16 之间，引用条数在 5 至 6 之间，差距只有一两条。以 30 个问题为分母，一条之差对应 3.3 个百分点。这个量级的差异不足以支撑「某模型更愿意引用」的判断，更可能来自单次观测的波动。

按问题类型分布

指标类问题的引用占比相对高一些，服务与判断类明显偏低。后者的原因可以从内容形态上解释：这类问题通常期待「建议与判断」，回答倾向于给出通用原则，较少指向具体来源。

需要提醒：占比差异建立在很小的样本上，每格只有十余条记录。这类差异适合用来提出假设，不适合用来下结论。

未获得引用的问题

30 个问题中有 24 个至少在某个模型上获得引用，6 个问题在所有模型上都没有获得引用。

这张表比总体数字更有用。总体数字只说明水平，缺口清单说明下一步做什么。按表中的动作改造后，下一轮采集可以观察这 6 个问题是否出现变化。

首位答案分布

16 条首位答案集中在 9 个问题上，分布如下。

分布显示，首位答案更多出现在指标与方法类问题上。可能的解释是：这类问题的答案结构清晰，页面中有公式、步骤或表格，便于直接摘取结论。这只是假设，需要更多轮次的数据验证。

讨论

观察一是「提及多、引用少」的结构差。提及率接近一半，引用率不到两成，说明名称出现的门槛远低于来源被采用的门槛。原因可能在两处：回答中提到的名称没有对应可点击地址；或者地址存在但没有被当作依据。两者的修复动作不同，前者要检查页面是否被检索到，后者要检查来源是否可核验。

观察二是模型差异不稳定。六个模型的引用条数集中在 5 至 6 条，差距在一两条之间。以这个样本量，任何排序都缺乏统计意义。报告因此不列模型排名，只列分布。这也是本站不发布模型榜单的原因：结论容易过时，且会误导读者把偶发差异当作能力差异。

观察三是缺口集中在对比型与操作型问题。Q02 缺少对照表，Q15 与 Q16 缺少步骤与判断标准。对照表与步骤恰好是可摘取性较高的结构，这说明缺口不在「有没有写」，而在「写得是否便于摘取」。

观察四是白皮书的缺席。Q29 在采集时没有获得引用，原因很直接：相关页面尚未上线。这类缺口不需要修改内容，只需要补齐页面后重新采集。它提醒我们，问题集应当与内容上线节奏对齐，否则会把「还没做」误判为「做了没用」。

从方法角度看，结果与六跳的对应关系可以这样理解：提及对应可发现与可打开，引用对应可摘取与可核验，首位答案对应可归属与可旁证。三个指标正好覆盖前四跳到后两跳的推进过程。把指标与环节对应起来，缺口分析才有落点。

第五个观察是指标与动作的连接。报告列出了三个比例，但比例本身不产生行动。真正产生行动的是缺口清单：哪一类问题没有引用、原因是缺结构还是缺来源、下一步改哪一页。把这一步固定成流程，评审才不会停留在「数据好不好看」的讨论上。

另一个值得记录的现象是同一页面在不同问题上的表现差异。同一个方法页，可能在「怎么让 AI 引用我的网站」上被引用，却在「旧文章怎么改造」上没有出现。原因通常是页面覆盖的问法不同：前者与页面结论一致，后者的问法需要另一组步骤。补页面还是补段落，取决于这种差异是否稳定重复出现。

局限

样本量有限。30 个问题覆盖不了全部用户意图，180 条记录也只是单日的一次观测。每个问题在每个模型上只有一条有效记录，无法估计同一问题多次提问的波动范围。

模型版本漂移。采集时未记录具体版本号，产品更新后，同一问题的回答可能变化。报告的结果只能对应采集日期，不能外推到其他时间。

不可复现的部分。回答可能受登录状态、地域、时间与随机性影响；截图只能作为留证，不能完整复现生成过程。同一人按同一流程重跑，也可能得到不同结果。

人工判定的主观性。首位答案需要判断「核心结论是否来自本站」，不同人可能有分歧。本报告由单人判定，未做双人复核，一致性无法验证。

示例数据的性质。本报告全部数值为示例，非真实监测结果，不能用于对外宣传、商业提案或模型能力比较。公开数据的目的是演示字段与算法，不是证明效果。

不构成模型评价。报告不对任何模型的能力、倾向或质量作出判断。模型之间的差异在本样本量下不具备解释力。

判定颗粒度也需要说明。本报告按「条」记录，不区分回答中出现的链接数量与位置。一个回答中出现两条本站地址，与只出现一条，计入同一个布尔值。若需要更细的分析，应增加链接数量、链接位置与引用段落字段，而不是在现有字段上做推断。

数据下载与字段说明

公开数据文件路径为 /research/geo-citation-baseline.csv，完整地址为 https://geoa.com.cn/research/geo-citation-baseline.csv。

文件为 UTF-8 编码的逗号分隔文本，包含一行表头与 180 行数据，表头固定为：questionid、questiontext、model、mentioned、cited、primaryanswer、citedurls、recorded_at、note。

字段与正文一致，布尔值统一为 true 或 false，cited_urls 为空时写空字符串，note 列统一标注「示例数据，非真实监测结果」。

复用要求有三条：转载时保留 note 列；不得删除示例标注后作为真实数据传播；基于该文件做二次分析时，需说明样本量与判定方式的局限。

引用格式

星哥. (2026). 六个国内大模型 GEO 引用基线评测（示例数据）(v1.0). GEOA. https://geoa.com.cn/research/geo-citation-baseline/

正文引用可写作「（星哥, 2026）」。引用具体表格时，注明表名与采集日期，便于读者确认数据范围。

版本规则：文字修订在同路径更新并修改日期；样本、问题集或结论发生变化时另开新路径，旧版保留并标注已被取代。

相关阅读

• 六跳证据链：让 AI 从看到到相信
• 答案前置：60 字内写出可被直接引用的结论
• 引用率：定义、计算与局限
• 提及率：定义、计算与局限
• 首位答案率：定义、判定与局限
• ECI：证据链完整度怎么算
• AI 引用与 AI 提及的区别