深度解读 · 约 4 分钟阅读
AI搜索可见度也取决于测量地点：一项API审计的边界
多伦多大学研究区分声明地点、网络地点和回答本身的波动。它测的是可见度变化，不是快速提高搜索排名的方法。
- 原文发布
- 本站发布
- 核实时间
一篇10月16日首次提交的多伦多大学预印本审计生成式搜索的地点效应。主要实验通过OpenAI与Gemini API取得31200条回答，发现两种测试配置读取地点的渠道不同，不能给出脱离条件的全球可见度分数。
听读资讯
朗读当前文章，或连续收听资讯。
正在准备听读…
设备语音
朗读由浏览器或设备处理，AISubHub 不向音频 API 发送文本。可用语音及锁屏播放能力因设备而异。
继续播放时可能重复一小段。
一分钟速览
- 研究使用300个英文问题、19个声明城市、5个不同网络地点，并用相同请求的两次回答衡量自然波动。
- 测试的OpenAI配置主要随声明地点变化，Gemini配置随网络国家变化；API观察不等同所有消费端应用表现。
先分清两种地点
声明地点是应用传给搜索工具的位置，网络地点则是服务看到请求从哪里发出。两者不是同一个开关。论文使用带网页搜索的Responses API gpt-5.4-mini，以及带Google Search grounding的gemini-3.1-flash-lite，并非直接测试所有用户使用的ChatGPT或Gemini界面。
作者自编300个英文商业问题，平均分为找附近服务、答案依赖地点、原本不依赖地点三组，问题自身都不写地名。声明实验设15个美国城市以及伦敦、多伦多、悉尼、都柏林，另设不声明地点。这能把工具的位置参数与问题文字里的地名分开。
相同请求也会变化，所以要有对照
声明地点实验含普通提问与要求搜索两组，每个设置重复两次，共24000回答。网络实验另有7200回答，涉及四国五个不同地点，并在三天后重测作者的加拿大连接，因此是六次网络会话，不是六个不同地点。另有较小的大模型稳健性检查，不能混成主实验样本。
作者用Jaccard重合度比较引用域名集合，再以相同请求两次的重合度减去跨地点重合度，得到本地化指数。0表示未超出已观察噪声；这个差值不是被替换网站的百分比，也不是某品牌被推荐概率。不先建立自然波动对照，很容易把随机变化当优化成果。
两种测试服务读取不同渠道
OpenAI测试配置中，声明城市改变附近类和地点依赖类引用；不声明地点时换网络国家，指数接近0。研究还分开模型把地点写入搜索词，以及搜索后端自身本地化：即使两边搜索词都不含地名，引用也仍可变化。
Gemini试验里，声明坐标在预试无影响，网络国家却改变引用；跨国附近问题指数为0.43，非本地问题仍有0.23，纽约与洛杉矶间约为0。这只对应受测API与小模型，不能断言住宅连接的Gemini永不细化到城市，或OpenAI永远忽略所有网络信号。
覆盖范围不等于优化已成功
推荐商家会随来源变化。在15个美国城市的附近类问题池中，随机只测一个城市覆盖全部城市曾推荐商家的9%，测五城为36%。分母是该实验的商家集合，不是所有网站都适用的抽样公式。
推荐名称提取也有误差，人工检查36次提取只有29次完全正确，并且该指标排除了目录、评测站和公共机构。因此商家推荐与目录被引用不是同一个指标。论文审计变化，没有把网站随机分配到内容改写方案，不能证明加地名、外链或某种标记就会提高可见度。
怎样让监测报告更可信
本站建议保存每次的问题、语言、模型版本、搜索模式和两类地点设置，并先重复相同条件再解释变化。举个明确假设：服务面向多个市场时，应按同一市场、同一设置进行前后比较，而不是把一个城市的结果称为全球分数。这是审计建议，不是本站新跑的实验。
作者指出，研究是英文问题、API模型与当时服务状态；网络出口包含数据中心VPN地址，住宅表现可能不同，大模型检查也只覆盖OpenAI。后续可以固定这些条件再研究其他语言或应用。实际启示是把测量条件说清，而不能从引用差异承诺收录、流量或广告收入。
有什么影响
本站分析：可见度报告需要保留问题、模型、搜索配置、地点与重复次数。引用来源变了，不一定是网站内容改动导致排名升降。
限制与可用性
本轮读完原论文和版本史，未复现API或网络实验。研究只覆盖英文、有限地点与2026年10月的服务状态，不能证明Google收录规则、流量收益或某种内容优化有效。
来源与证据
原文发布: 2026年10月16日 · 核实时间: 2026年10月21日
补充阅读
核实时间: 2026年10月21日
AI 辅助采编，依据所列一手来源核实。厂商自报结论注明归属，收录不代表背书。