生成式搜索引擎偏好什么内容，以及如何协作式地优化网页内容（AutoGEO）

原文：What Generative Search Engines Like and How to Optimize Web Content Cooperatively ｜ 来源：ICLR 2026，Yujiang Wu、Shanshan Zhong、Yubin Kim、Chenyan Xiong（CMU）｜ arXiv 2025-10-13，2026-01-28 被 ICLR 2026 接收

原文链接：https://openreview.net/forum?id=K8EinVWtUB （arXiv 镜像：https://arxiv.org/abs/2510.11438；代码：https://github.com/cxcscmu/AutoGEO）

摘要（中文译文）

Google AI Overview、ChatGPT 这类**生成式引擎**用 LLM 检索文档并生成自然语言回答，大幅改善了用户体验，已迅速成为搜索的新形态。它们的快速普及也催生了**生成式引擎优化（GEO）**的需求：内容提供方希望从中获得更多曝光。

本文提出 **AutoGEO** 框架，用于**自动学习生成式引擎在利用检索内容生成回答时的偏好**，并据此改写网页内容以获取更多曝光。AutoGEO 首先提示前沿 LLM 解释生成式引擎的偏好，并从这些解释中抽取出有意义的**偏好规则**；随后把偏好规则用作两条路径的基础：一是作为上下文工程，构成基于提示的 GEO 系统 **AutoGEO-API**；二是作为**基于规则的奖励信号**，训练出低成本的 GEO 模型 **AutoGEO-Mini**。

在标准 GEO-Bench 以及两个用真实用户查询新构建的基准上的实验证明，AutoGEO 能在**保持搜索效用（utility）不受损**的前提下提升内容曝光。分析进一步确认了所学规则的稳健性、其捕捉不同领域独特偏好的能力，以及 AutoGEO 系统把这些规则嵌入内容优化过程的能力。

关键要点

• 核心思路是「**让 LLM 自己说出它偏好什么**」：先让前沿模型解释生成式引擎的选择偏好，再把解释蒸馏成可复用的显式规则集，而不是靠人工总结 GEO 技巧。
• 双轨落地：**AutoGEO-API**（提示式，直接把规则作为上下文）与 **AutoGEO-Mini**（用规则奖励做冷启动 SFT + GRPO 强化学习训练的小模型，成本更低）。
• 双指标评估体系：**GEO score** 衡量可见度（位置、词元数量、被引频次），**GEU score** 衡量效用（引用质量、要点覆盖、回答质量）——强调优化不能以损害引擎回答质量为代价，这就是标题里「协作式（cooperatively）」的含义。
• 覆盖三个数据集（Researchy-GEO 学术、E-commerce 电商、GEO-Bench）与三类引擎（Gemini、GPT、Claude）；官方明确提示：**换引擎或换领域必须重新抽取规则、重新训练**，偏好不通用。
• 项目已开源代码、数据集与 checkpoint，并提供 AutoGEO-Mini 的在线 Demo。

与 GEO 的关系 / 可引用结论

AutoGEO 代表了 GEO 研究从「人工经验清单」走向「**自动化偏好学习**」的转折。可引用结论：

1. 生成式引擎的内容偏好是**可被自动抽取为显式规则**的，不必依赖玄学经验；

2. GEO 优化应当被约束在「**不损害引擎回答效用**」的前提下，否则就退化为对抗性操纵——这是 white-hat GEO 与 black-hat GEO 的分界线；

3. **偏好具有引擎特异性和领域特异性**，跨引擎/跨领域迁移会失效，与 C-SEO Bench 的结论互相印证。

完整译文

[翻译] Verifying your browser | OpenReview

OpenReview

.net

Verifying your browser

Complete the check below to continue to OpenReview

Please complete the verification above.

Have an OpenReview account?

Sign in

to skip this check.

OpenReview

— Open Peer Review. Open Publishing. Open Access.

备注

• OpenReview 论坛页被浏览器验证拦截，PDF 亦未能自动下载，`local_pdf` 留空；本文摘要译自 arXiv 公开版（arXiv:2510.11438）的英文摘要，并结合官方 GitHub README 补充了方法细节与评估指标定义。
• 资源清单标注的「用 GRPO 自动学习生成式引擎的内容偏好」准确：GRPO 用于训练 AutoGEO-Mini，而规则抽取本身是基于前沿 LLM 的提示式流程。
• 论文报告的是「有效提升曝光同时保持效用」的定性结论，摘要中未给出统一的百分比数字，请勿引用未经核实的提升幅度。