AI引用偏向排第一的来源吗？一项重放实验：对调顺序后差距几乎消失，改成小标题列表多拿标注却未必更容易入选

摘要：一篇9月14日提交到arXiv的预印本，用一个接了Exa搜索的GPT-5.4智能体回答了129个日常问题，再把对话原样冻结、每次只改一个变量重放。按原始数据看，搜索结果排第1的页面被引用的比例是85.1%，排第5的是42.8%，差了42.3个百分点；把支持同一事实的两个页面对调顺序后，差距只剩7.9个百分点且经多重检验校正后不显著，换一批样本再测是0。把页面文字改写成带小标题和列表的版本，平均每个答案多拿0.50个引用标记，可总引用数没变，“至少被引用一次”的概率只多了4.5个百分点，结论不确定。同样的输入重跑一遍，约七分之一的引用决定会翻转。作者的原话是：这是归因敏感性的警告，不是优化技巧。

做AI可见度的人，几乎都见过这类结论：被AI引用的页面里，多少比例用了结构化数据、多少比例排在搜索结果前几名、多少比例用了列表。数字往往很漂亮，接着就是一条建议：你也照着做。

问题在于，这些数字大多是相关关系。排得靠前的页面本来就更贴题，用了列表的页面可能本来就写得更清楚。大家想知道的是：同一个页面，只改顺序或者只改格式，被引用的情况会不会变？

Search Engine Journal在9月17日的报道里介绍了一篇专门做这件事的论文。这篇以那篇报道和论文原文为主体，讲清楚实验设计、三个主要结果，以及哪些结论能用、哪些不能用。

这个实验到底控制了什么？

论文叫CiteChoice，作者是Sriram Selvam和Anneswa Ghosh。arXiv提交记录显示第一版提交于2026年9月14日，属于计算语言学方向，没经过同行评审。

研究的问题有个专门的名字，叫引用分配：好几个检索到的来源都支持同一个说法，回答引擎为什么引用了一些、没引用另一些。

先让智能体自己搜一遍

研究者让一个会调用工具的GPT-5.4智能体回答130个日常问题。智能体自己决定搜什么、看结果、再搜，每次搜索调用Exa返回5条结果，每条带最多1万个字符的页面文字。130个问题完成了129个，一共发出346次搜索，涉及1490个不同的文档，每个问题中位数12个。答案引用很密，中位数是每个答案29个引用标记，分布在6个不同文档上。

所有对话和搜索结果都被完整存档。这一点是整个实验的地基。

再挑出“势均力敌”的两个页面

从这些存档里，研究者找同一次搜索里出现的两个页面，而且两个页面都能支持同一个事先指定的事实。判断“支持”的标准很严，必须能在存档文本里找到原句。挑选时不看排名，也不看答案最后引用了谁。

最后有113对进入重放，盲审的人工复核确认其中103对，两个页面争的确实是同一个事实。这样挑出来的两个页面，论文的意思是：谁被引用都说得通。

然后每次只改一个地方

重放时，对话的其他部分逐字节不变，并用哈希校验。只改两样东西之一：两个页面在那次搜索结果里的先后顺序，或者目标页面的文字呈现方式。呈现方式有两种，一种是连续段落的通顺散文，一种是带小标题、短段落、列表或表格的结构化文本。两个版本都由模型改写生成，要求保留所有说法、数量、实体、限定条件和出处，再由另一轮盲审检查事实有没有走样。

2乘2一共四种组合，每次只重新生成最后的答案。

它和以往的GEO研究有什么不同

做GEO的人大多听说过2024年那篇GEO论文，作者是Aggarwal等人，发表在KDD会议上，结论是修改内容可以提高在生成式引擎里的可见度。之后还有FeatGEO这类研究，在多个引擎上优化结构、内容和语言特征。论文把这些归为优化研究：在构造的或真实的页面上改动，看整体可见度的变化。

CiteChoice换了一个角度。它把“这个来源支不支持这句话”用构造固定住，两个页面都支持，只看引用标记最后落在谁身上。论文强调它研究的是可见的引用功劳，不是模型实际依赖了哪个来源。前人研究也指出过，引用标记挂得对，不代表模型真的依据了这个来源。

关于位置，已有研究发现长上下文模型对不同位置的证据利用不均衡，也会被无关内容干扰；但在更接近真实的检索增强场景里，位置效应比人工构造的实验小。CiteChoice的结果和后者方向一致。

改写主要由Grok 4.3完成，只有一对用了GPT-5.4兜底。作者自己也指出，两个版本措辞不同，所以这个实验比的是“两种改写”，没能把格式这一个因素完全单独剥出来。

排第一的页面真的更容易被引用吗？

先看原始数据。在存档的对话里，排在一次搜索第1位的页面，被引用的比例是85.1%；排在第5位的，是42.8%。差了42.3个百分点，看上去位置几乎决定一切。

注意这里的“位置”，指的是一次Exa搜索返回的5条结果里的先后，不是Google排名，也不是网页在公开互联网上的位置。

论文接着指出了这个数字的问题：搜索引擎本来就会把更相关的页面放在前面。42.3个百分点里，混着位置的作用，也混着页面本身质量的差别，分不开。

把顺序对调之后

受控实验里，把同一个页面在一对里往前挪，它至少被引用一次的概率上升了7.9个百分点。可在对多项检验做了校正之后，这个结果不显著。

研究者又拿了另外56对，只做顺序对调，结果是0.0个百分点，95%置信区间从负5.4到正5.4。

两组数字放在一起：原始差距42.3个点，受控对调7.9个点（不显著），另一批0个点。论文的解读比较克制：位置在某些情况下确实影响引用，但用原始位置数据算出来的平均差距靠不住。原始差距和对调结果量的根本不是一个东西。

这对日常工作的启发很直接。你看到“排名前三的页面占了AI引用的多少多少”，最多说明排名和引用一起出现，说明不了把你的页面往前挪就能多拿多少引用。

改成小标题加列表，能多拿引用吗？

这是做内容的人最关心的部分，结果也最容易被误读。

结构化版本的页面，比同一个页面的散文版本，平均每个答案多拿0.50个引用标记，95%置信区间0.20到0.84，做了多重比较校正后依然显著。

但有两个细节要一起看。每个答案的总引用数没有增加，竞争页面拿到的引用也几乎没少。作者的理解是：引用的功劳更集中到了被改写的那个页面上，答案里同一个页面被反复标注的次数多了。

研究者事先定好的主要指标，是目标页面“至少被引用一次”的概率。这个指标上，结构化版本高了4.5个百分点，95%置信区间从负1.4到正10.4，没有定论。论文还说明，以这次的样本量和波动，只有大约8.5个百分点以上的效应才有八成把握测出来。

用一句大白话概括：已经会被引用的页面，写成结构化之后，可能会被多标几次；原本不被引用的页面，靠改格式能不能挤进答案，这个实验没证明。

只改排版、一个字不动，结果翻了

想更纯粹地测格式，研究者还做了一个机械重排：散文版本的每个字都不动，只是改成每句一行的列表。这一步没有任何模型参与，内容一致是由构造保证的。

在全部113对上，这种重排把“至少被引用一次”的概率提高了6.7个百分点，95%置信区间1.1到12.4，看着像模像样。可在30组做重复测试的样本上，初次结果是负1.7个点，重新生成后是负8.3个点，方向反了。作者的结论是：排版方式可能有影响，但谈不上稳定的列表符号机制。

为什么格式会被模型看到

很多人以为AI读网页时只读纯文字，格式早就丢了。论文查了存档里1750条Exa返回的文本记录：99.8%带换行，93.2%带Markdown风格的标题，76.6%带列表符号，21.3%带竖线分隔的表格行。视觉排版、字体和网页结构会丢，可文字层面的组织方式大多被保留下来，进了模型的上下文。

这也是这个实验能成立的前提。至于你在自己网站上改了排版，经过真实的抓取、检索、提取之后还剩多少，论文明确说没测。

同样的输入重跑一遍，结果为什么会变？

这部分是我觉得整篇论文最值得每个做AI可见度的人读的。

研究者拿30组样本、每组4种组合，一共120个回答，用完全相同的输入重新生成。目标页面引用与否的决定，有15%发生了翻转，大约七分之一。平均的引用数效应在重跑中保持一致，可单次生成的效应里，估计有45%的波动来自模型生成本身的随机性。

换成日常场景就是：你今天测了一次，发现改版后的页面被引用了，明天什么都不改再测一次，有不小的概率它又不被引用了。单次结果拿来判定“赢了”还是“输了”，基础很薄。

SEJ在报道里补了一个旁证：SparkToro在今年1月的研究里发现，同一个提示词反复问，ChatGPT和Google的AI概览给出完全相同品牌列表的情况不到1%，列表和顺序都相同的不到0.1%。那项研究的12个提示词在每个平台上各跑了60到100次。站内AI可见度排名每次查都不一样那篇，讲的也是这件事。

作者的建议很朴素：引用测试要多跑几次，并且把几次之间的一致程度一起报告出来。

看懂这几个统计说法

论文和报道里反复出现几个词，用大白话说一下。95%置信区间，可以理解成“真实效果大概率落在这个范围里”，区间要是跨过了0，就说明效果可能是正的、可能是负的，也可能根本没有。多重检验校正，是因为一次比较很多项指标，总会有几项碰巧显得显著，校正就是把这种“碰巧”扣掉。百分点和百分比也要分清，从42.8%到85.1%是差42.3个百分点，不是差42.3%。

拿这几个词回头看结论：引用标记数那项区间是0.20到0.84，没跨0，所以显著；至少被引用一次那项是负1.4到正10.4，跨了0，所以不确定。

换一个模型试试

研究者用Grok 4.3把存档的搜索重放了一遍，结构化改写的效果方向一致。但Grok第一次回答里，不到一半按要求的格式标注了引用，这部分结果只能当参考。

论文自己承认的局限

作者在局限部分写得很具体。所有估计都基于一个检索提供方（Exa，每次5条结果，文字有长度上限）、一个智能体和一套它自己产生的对话。冻结重放测不出出版方改网页会不会改变检索结果、后续搜索轮次或真实排名。Grok那组检查复用的是GPT产生的对话，而且多数回答需要修补格式。闭源模型即使记录了版本和参数，也可能悄悄变化。

统计上，主分析只有89个独立的答案和目标组合，在主要指标上两种版本结果不同的只有28个。所以那4.5个百分点，论文的定性是“未解决”，既不能说有用，也不能说没用。

这篇论文对SEO和GEO工作意味着什么？

作者在讨论部分写了一句话，SEJ也专门引用了：这是归因敏感性的警告，不是优化技巧。这句话决定了该怎么用这篇论文。

它能说明的

• 在冻结的对话里，页面的呈现方式能实实在在地重新分配可见的引用功劳，结构化文本会让功劳更集中到该页面上。
• 原始的位置差距，远大于受控对调后的效应，用观察数据推断“排第几就能拿多少引用”不可靠。
• 引用评估有可测量的噪声，单次生成的结果有相当一部分是随机波动。

它说明不了的

• 改网页格式能让页面更容易“被选中”进答案。主要指标没有定论。
• 纯粹的格式机制。改写版本措辞不同，机械重排的结果在重复测试中反转。
• 普遍的排名优势。另一批样本的对调效应是0。
• 真实网站上的效果。实验只改了已经被检索到的文字，抓取、检索、排序这些环节都不在实验里。
• 其他模型和搜索引擎上的表现。实验只用了一个GPT-5.4智能体加Exa搜索。

和结构化数据那类结论放在一起看

SEJ把这篇论文和Ahrefs今年5月的一份报告放在一起讲。Ahrefs发现，被AI引用的页面带JSON-LD结构化数据的可能性大约是三倍，但给页面加上结构化数据，并没有明显增加引用。两项研究指向同一个问题：一个相关性数字，有没有被实际改变变量来检验过？

Ahrefs那次结构化数据测试怎么做的

按SEJ 5月的报道，Ahrefs先分析了600万个网址，发现被AI引用的页面带JSON-LD的可能性大约是三倍。然后它跟踪了1885个新加上JSON-LD的页面，每个配三个从没加过、引用水平相近的其他域名页面当对照，比较加之前和之后各30天的引用变化。

结果是：AI概览负4.6%，AI模式正2.4%，ChatGPT正2.2%。后两个小到和随机波动分不开，AI概览那个下降，Ahrefs说可能是小的负面影响，也可能是巧合。另外三项补充测试也都没发现明确的正面或负面效果。

这份报告有个前提要记住：样本里每个页面加结构化数据之前，都已经有100次以上的AI概览引用，本来就在AI的视野里。对还没被AI看到的页面，结构化数据有没有帮助，这份数据回答不了。

报告里还引用了searchVIU的一个实验：让五个AI系统实时抓取网页，结果都只提取了可见的HTML文字，JSON-LD、微数据和RDFa都被忽略。这个实验测的是实时抓取，不能说明结构化数据在训练、索引或检索环节有没有作用。它和CiteChoice发现的“文字层面的结构会被保留”放在一起看，能看出一个规律：模型读到的是正文文字和它的组织方式，藏在代码里的标注不一定读得到。

这个问题可以拿去问任何工具商的报告，也可以拿来问自己的监测数据。站内AI引用测试怎么证明因果和给GEO建议配对照组两篇，讲的是怎么自己动手做这种检验。

那内容要不要写成结构化的

可以写，理由不必押在“AI会多引用”上。小标题、短段落、列表和表格，首先方便人读，这一点没有争议。这项研究额外给的信息是：这些文字层面的结构，大概率会被检索工具保留下来送进模型，而且有可能让已经被引用的页面拿到更多标注。内容怎么切成便于检索的块，可以看内容分块优化那篇；清单体文章的写法，清单体写作指南里有。

不该做的，是把一篇本来适合连贯论述的文章硬改成一堆列表，指望引用率翻倍。这项研究里，就连一个字不改的机械重排，效果都会在重复测试中掉头。

想自己做一次对照测试，可以这样设计

论文的方法离普通团队有点远，但思路可以借。比如想知道给某篇文章加上小标题和对比表，会不会影响它在AI答案里被引用：

• 选一批你的页面已经能被检索到的问题，最好二三十个，别只挑一个。
• 改动前，每个问题在同一个AI产品里问三到五次，记下你的页面被引用了几次、每次引用标记有几个。
• 只改一个变量，比如只加小标题和表格，正文措辞尽量不动，日期、数据都不碰。
• 等页面被重新抓取后，用同样的问题、同样的次数再问一轮。
• 同时找几篇不做任何改动的同类页面当对照组，一起记录。
• 比较时分开看两个指标：至少被引用一次的比例，和平均引用标记数。两者变化方向可能不同。

就算这样做，真实网页的测试也比论文多了抓取、检索、排序几道变量，结果只能当参考。要是对照组的波动和改动组差不多大，就别急着下结论。

外贸站和独立站可以怎么落地

B2B外贸站的产品参数、认证、交期、起订量，天然适合用表格和列表表达，这类信息写成结构化文字，对采购商和机器都友好，不需要等研究证明。博客和指南类文章，可以在每个小标题下先用一两句话给出结论，再展开解释，结论句写清楚主语和数字，单独摘出来也看得懂。

不要把预算押在“改格式就能进AI答案”上。页面能不能先被检索到，取决于内容是否回答了问题、能不能被正常抓取和收录，这些仍然是前提。格式能做的，是在已经被检索到之后，让你的页面在引用分配里占得更清楚一些。

给监测报告加一条规矩

如果你在给老板或客户做AI可见度报告，这篇论文最实用的一条是：同一个提示词至少跑几次，报告里写清楚几次之间的一致程度。只跑一次就说“我们在这个问题上被引用了”，和抛一次硬币就宣布胜负，差别没有想象中大。AI可见度分数怎么加权、样本怎么取，站内AI可见度分数加权那篇也提醒过同类问题。

常见问题解答

AI引用会偏向搜索结果排在前面的页面吗？

原始数据里排第1的页面被引用比例85.1%，排第5的42.8%。但受控对调同一对页面的顺序后，效应只有7.9个百分点且不显著，另一批样本是0，原始差距大部分来自页面本身更相关。

这里说的排名是Google排名吗？

不是Google排名。论文里的位置指一次Exa搜索返回的5条结果中的先后顺序，和Google排名、网页在公开互联网上的位置都不是一回事。

把文章改成小标题加列表，会被AI引用更多吗？

在实验里，结构化版本平均每个答案多拿0.50个引用标记，但总引用数没变；页面至少被引用一次的概率多4.5个百分点，没有定论。

为什么同样的输入，引用结果会不一样？

模型生成有随机性。研究者用相同输入重跑120个回答，15%的引用决定发生翻转，单次生成效应的波动约45%来自随机性。

论文用的是哪个AI？

主要是一个接了Exa搜索的GPT-5.4智能体，对话离线重放，没有修改真实网页。研究者用Grok 4.3做了补充重放，方向一致，但Grok的引用格式遵循率不到一半。

这项研究能说明改网页格式有用吗？

不能直接说明。实验只改了已经被检索到的文字，没有涉及抓取、检索和排序，作者说这是归因敏感性的警告，不是优化技巧。

AI读网页时还能看到列表和标题吗？

在这项研究用的Exa接口里大多能。1750条返回文本中，93.2%带Markdown风格标题，76.6%带列表符号，21.3%带表格行，视觉排版和网页结构会丢失。

做AI引用测试至少要跑几次？

论文没有给出固定次数，建议多次运行并报告结果的一致程度。考虑到约七分之一的引用决定会在重跑时翻转，单次结果不足以判定成败。

引用标记数和至少被引用一次有什么区别？

引用标记数是一个答案里目标页面被标注了几次，至少被引用一次是这个页面有没有进答案。论文里结构化改写让前者显著增加，后者的变化不确定。

这项研究和GEO论文的结论矛盾吗？

不直接矛盾。2024年的GEO论文研究的是改内容能否提高整体可见度；这篇固定了来源的支持关系，只看引用功劳在两个同样合格的页面之间怎么分配，问的问题不一样。

样本量够大吗？

论文自己说不够大。主分析有89个独立组合，只有约8.5个百分点以上的效应才有八成把握测出来，所以4.5个百分点的结果被定性为未解决。

加结构化数据能提高AI引用吗？

Ahrefs今年5月跟踪1885个新加JSON-LD的页面，和对照组相比，在AI概览、AI模式和ChatGPT上都没有出现明确的引用增长。但这些页面本来就已被AI频繁引用，对新页面的作用这份数据测不出来。

论文经过同行评审了吗？

没有。这是2026年9月14日提交到arXiv的预印本，作者为Sriram Selvam和Anneswa Ghosh。

权威参考资料