昨天推荐你，今天没有：模型随机性与 GEO 结果波动

一次出现和稳定出现，是两种观察

昨天问 AI，它把你的产品放在第一段；今天用相同措辞提问，答案里却只有其他候选。这个现象可以发生在没有修改任何网页的情况下。它也可能伴随真实变化，例如平台更新、来源变化或新报道。看到差异后，首先要判断“哪些条件真的相同”，而不是直接宣布优化失效或竞争对手抢走了位置。

生成答案有时包含随机采样，联网系统还会受到检索、缓存、路由与外部内容变化影响。企业可以记录这些可观察条件，并在固定题目下重复测量；无法控制的部分则应明确保留。把某次最好的结果截图存下来有传播价值，但若要决定下一步预算，就需要看完整分布以及错误是否反复出现。

本篇使用人工设定的小型概率与计数示例，实际执行确定性计算，不访问任何付费模型。它们解释统计关系，不代表某个平台的真实输出概率。关于跨产品条件如何记录，先参阅API 与网页差异；这里集中讨论在时间和重复采样中怎样识别值得行动的信号。

把波动分成四种来源

第一种是生成采样：在给定上下文与模型条件下，系统可能选择不同的下一词元，后续文本路径也随之改变。第二种是信息更新：检索到的页面、页面正文与可访问性发生变化。第三种是服务变化：模型别名对应版本、搜索工具或产品模式改变。第四种是实验条件变化：历史、语言、地区设置、问题细节或是否提供品牌资料不同。

这四类变化可以同时发生。一个品牌名字消失，不足以区分它们。若保留了源注释，发现来源集合更换，可以说“本次来源集合发生变化”；若返回端点版本不同，可以说“配置发生变化”。但不能仅凭最终答案推断平台隐藏的搜索查询或内部排序权重。诊断语言应尽量贴近实际证据。

还需要注意输出边界。答案因长度限制在列出候选之前截断，与完整回答没有提到品牌不是同一件事。网络连接中断可能只影响接收结果，不表示模型没有生成后半段。未完成、拒答和成功但遗漏，应保留不同状态，这样后续重复不会把采集可靠性误判为品牌波动。

温度改变的是条件分布

一个常见的简化公式是 pᵢ = exp(zᵢ/T) / Σⱼexp(zⱼ/T)。zᵢ 表示某一步候选词元的未归一化分数，T 为正温度，pᵢ 是这一条件下的采样概率。温度较低时，分布通常更集中于高分候选；较高时，概率相对平缓。这里讨论的是一个步骤的词元分布，不是品牌或来源的排名公式。

用三个教学分数二、一、零计算：温度为零点五时，三个概率约为百分之八十六点七、十一点七、一点六；温度为一时约为六十六点五、二十四点五、九点零；温度为二时约为五十点六、三十点七、十八点六。随文脚本采用减去最大分数的稳定写法，避免指数计算产生不必要的数值溢出。

scaled_i = (z_i - max(z)) / T
weight_i = exp(scaled_i)
p_i = weight_i / sum(weight)

变量 i 表示候选词元，不表示某个产品。不能从“低温让第一个词元更常出现”推出“低温让官网更容易被引用”。品牌名通常由多个词元组成，出现还取决于上下文、检索结果与前文生成。温度也不是所有模型或接口都允许设置的参数，省略参数时应记录使用默认值，不能假装自己锁定了一个数值。

解码策略与来源选择之间隔着许多步骤

《The Curious Case of Neural Text Degeneration》研究开放式文本生成中的解码问题，并提出按累计概率动态截取候选集合的 nucleus sampling。它说明选择下一个词元的策略会影响文本形态，但不提供“网站怎样得到引用”的因果规则。把文本生成研究转成内容建议时，必须跨过任务与系统差异的边界。

在联网系统中，模型可能先决定是否使用工具，再生成查询，接收结果，组织答案，最后由界面展示引用。某些阶段可能采用不同模型或规则。你设置的生成温度未必覆盖所有阶段；即使最终文字更稳定，外部资料变化仍可能改变来源。浏览器产品还可能不公开这些设置，所以不能声称已经控制全部采样过程。

一个合理的业务动作是降低页面歧义：让版本、许可、适用对象和限制表达完整，从而减少不同摘录产生互相矛盾解释的机会。这是提高信息质量的工作，不是“操纵温度”。若来源已经被读取但条件反复丢失，应具体检查原文组织与回答误述，避免用抽象的随机性解释所有可修复问题。

低温和固定种子都不能替代版本记录

某些可控实验允许固定随机种子、温度或解码参数，有助于复现实验；但实际可重复程度还取决于实现、硬件计算、工具结果与服务版本。不能把“请求参数相同”写成“整个系统状态相同”。尤其经过第三方路由或不断更新的产品别名，版本信息与原始元数据比单独一个种子更重要。

应记录请求中真正设置了什么，返回中真正报告了什么，以及未提供的字段。搜索调用数没有返回时，不能记零；来源注释为空时，不要依据一个兼容层标记就认定已进行了检索。Google 的搜索 grounding 接口说明展示了一种提供方返回搜索步骤与注释的方式，但其他路径需要分别核实。

对于消费者界面，通常只能记录可见模式、时间、会话与账号条件。无法公开得知的底层参数不需要伪造。测试目标可以是“在这个真实产品环境里，给定买家任务得到什么”，而不必声称正在隔离模型架构本身。承认控制有限，反而让报告更贴近客户真正使用的情境。

设计重复测量时先固定业务问题

重复测量不是多问几个同义句直到得到答案。先选择真实需求，冻结原文与分类，再约定平台、次数和时间窗口。发现题不加品牌或官网，认知题则明确点名；方法题不强制要求产品名单。不同类型的问题保留独立结果，以免某些本来不需要品牌名的答案拉低所谓可见度。

时间安排可以采用多个批次，并在每批交错题目与平台顺序。这样不能消除所有时间影响，但比把某一平台总放在晚上更容易解释。每次建立独立会话，若要研究真实多轮历史则另设系列。问题发生必要修订时，保存旧题与修订理由，不将不同题目悄悄连接成同一时间线。

题目数与重复次数应同时报告。十道独立采购任务各测四次，与一道题测四十次，回答数量相同，却覆盖完全不同的业务范围。前者有更多任务差异，后者更适合观察一个任务在固定条件下的波动。预算选择应根据想做的决定，而不是仅追求报告里总样本数更大。

四个批次怎样产生不同的故事

教学数据设定四个批次，每批十份完整回答，目标分别出现四、七、五、六次。若只展示第一批和第二批，会看到从百分之四十到七十的增加；若只展示第二批和第三批，则像是从七十降到五十。全部合并为二十二除以四十，即百分之五十五，仍不能说明真实平台长期概率就是这个数。

在“独立、同分布二元观察”的教学假设下，Wilson 百分之九十五区间约为百分之三十九点八至六十九点三。方法可查 NIST 的比例区间说明。真实答案可能按题目和时间相关，这个区间不能无条件套用；如果四批同时经历了版本更新，合并均值甚至掩盖了结构变化。

还有一种常见展示是“连续问三次，至少一次出现”。若仅为教学假设每次独立且出现概率为二分之一，至少出现一次的概率为一减去零点五的三次方，即百分之八十七点五。它明显高于单次百分之五十，但没有任何优化。这解释了为什么选择性保存成功截图会夸大稳定性：你改变了成功事件的定义。

用时间线区分漂移与异常

为每个批次保存模型标识、题库版本、网站内容版本与重要外部事件。图上标出可核实的更新，不要把所有断点都猜成平台算法调整。若品牌提及下降，但准确性提高、无关推荐减少，业务解释可能与单一曝光图相反。应在同一时间轴上查看主要结果和保护指标。

异常也不一定需要立刻改内容。某天整个采集渠道失败，先排查执行；某题的价格反复错误且来源来自旧页面，优先处理版本关系；多个平台同时错误引用一个过期数字，检查同源传播；只有一次没有提及而其他条件正常，则继续按计划采样。动作应根据错误性质，而不是根据曲线是否变红。

可以预先定义“值得人工复核”的触发规则，例如同一关键事实在两个时间批次重复误述，或某高价值场景出现新的不适用推荐。规则应匹配业务风险与预算，不是全行业通用阈值。涉及医疗、金融或安全产品的功能边界，单个严重误述也可能值得修正文案，但仍不能据此推断全平台普遍存在同样错误。

为什么来源稳定不等于事实稳定

同一个网址可以更新正文，平台也可能引用其中不同片段。表面看来源完全一样，实际回答却使用了不同条件。反过来，两个不同 URL 可能转载同一段内容，来源列表变化并不代表证据真正多样。想知道变化是否重要，需要把 URL、内容版本和具体被支持主张一起检查。

引用标记也不必然揭示模型实际依赖的全部信息。关于 RAG 引用正确性与忠实性的研究提醒读者，来源能够支持答案与模型生成时确实依赖该来源，是不同的评价问题。因此，我们可以复核公开支持关系，但不能从一张引用卡片读出模型内部选择原因。

业务上应关注哪些错误可以被现有资料纠正。例如“仅支持企业版”的限制在正文、文档和价格页互相冲突，随机采样可能放大这种不一致；先统一事实比继续增加采样更值得做。如果资料已经一致，则保留差异并安排针对性的理解测试，而不是给每种答案措辞创建重复页面。

报告怎样表达稳定性才实用

建议展示每题的完整次数、提及次数、引用次数、推荐条件和关键错误，而不是只有一个平均分。对每个时间批次列出计划与完成数，必要时显示每题分布。模型或产品模式改变后注明新系列，避免把不可比条件连成一条看似连续的趋势。

结论可以写成“在当前保存的四批教学观察中，出现次数在四到七之间；没有实施任何改动，不能把相邻批次差异解释为效果”。真实项目则把“教学”换成实际时间与证据范围，并说明尚不能控制的条件。次数与具体事实比“高度稳定”“显著领先”这样的模糊形容词更适合客户复核。

长期监测还应有停止与升级规则。若连续多轮没有新信息，不必为了保持图表更新而高频重复；若发现产品上线状态被误述，就把资源转到证据核查和内容改进。监测的目的应是支持决策，而不是让每个自然波动都触发新一轮服务。

如何开始一轮低成本但可信的观察

对于开放式答案，还可以保留“支持同一结论的不同措辞”这一层。一个回答说“适合小团队”，另一个说“可供十人左右的团队评估”，可能语义接近；若逐字符比较会显得变化巨大。相反，“支持本地部署”与“不支持本地部署”只有一个否定词差异，却是重要业务错误。稳定性应建立在经过定义的事实和条件上，而不是简单文本相似度。

同样，排名顺序改变需要看答案的组织方式。有些列表按价格排序，有些按用途分组，还有些明确说不分先后。把序号一律解释成推荐强度，会制造并不存在的波动。记录是否存在明确排序依据，在没有依据时只保存出现位置，不升级成质量排名。需要进一步判断买家如何理解这些差异时，可以安排有明确任务的人工阅读测试。

先选三种真正影响采购的场景，确认原题没有暗示目标品牌；再约定每题的重复次数和两个或更多时间窗口；保存完整回答与来源；把版本、失败与人工复核规则写在同一计划里。不要在看到结果后删除难题，也不要把重试后的高点替代原始失败或不利答案。

随文脚本 part-b-run-examples.py 的 P13 部分可以复现三种温度的分布、四批次汇总、区间与“至少一次出现”的计算。读者可以修改分数或次数探索关系；脚本不模拟商业平台真实采样，也没有测量网站优化效果。真实因果判断还需要对照设计。

NiubiGEO 的工作可以从这种可追溯基线开始，再由人工判断反复错误与资料缺口，并在约定改动后复测。值得信任的结果不是永远不波动，而是每次变化都有清楚的条件、记录和解释边界，使团队知道何时需要行动、何时应该继续观察。