犀牛云GEO实验室公布大模型训练层可信源研究报告

引用层（RAG搜索）可以让品牌"被AI看到"——这是短期效果。训练层（预训练语料）可以让品牌"被AI记住"——这是长期资产。

本报告的目标：系统回答一个核心问题——品牌内容要出现在哪些数据源里，才能成为AI的"长期记忆"？

基于对GPT-4、Gemini、Claude、Llama 3、Qwen、DeepSeek等主流LLM公开技术报告的交叉分析，犀牛云GEO建立以下权重模型：

一、LLM训练数据全景构成

关键发现：占比 ≠ 权重

Wikipedia只占训练数据的3-8%，但对品牌认知的影响是决定性的。

原因有三：

① Wikipedia作为"知识锚定"源——LLM训练时，Wikipedia被用作质量基准，因为其内容经过人工审核、来源可查，AI倾向于相信Wikipedia版本的信息。

② 知识冲突时的优先级——当Wikipedia和Common Crawl对同一品牌描述不一致时，LLM倾向于采纳Wikipedia的版本（arXiv:2406.13805证实）。品牌Wikipedia条目就是品牌的"官方AI档案"。

③ Wikipedia的网络效应——Wikipedia条目被大量第三方网站引用，这种引用链在训练数据中形成"共识信号"，品牌在Wikipedia上的信息会被AI视为"公认事实"。

占比≠权重——知识锚定源决定AI记忆

中文LLM训练数据的特殊性

对于中文品牌（我们的客户），有三层特殊性：

中文品牌的GEO，百度百科的权重比Wikipedia对全球品牌的权重更高。

···

二、训练数据来源的分层权重模型

五层权重金字塔

L5 知识锚定源：Wikipedia/百度百科 —— AI的"事实基准"，权重最高，量最少

L4 权威认证源：政府/教育/.gov/.edu —— AI的"权威认证"

L3 时效信号源：权威新闻/行业媒体 —— AI的"最新认知"

L2 社会验证源：Reddit/知乎/UGC平台 —— AI的"社会共识"

L1 基础存在源：Common Crawl/官网 —— AI的"背景信息"

五层权重金字塔——从基础存在到知识锚定

各层对GEO实操的意义

···

三、主流LLM训练数据配方对比

各模型训练数据构成（基于公开信息推算）：

DeepSeek与Kimi的特殊性

DeepSeek和Kimi是中国品牌GEO的核心平台：

···

四、品牌内容进入训练数据的实操框架

五层进入策略

P0 L5 百科建设：品牌词条创建/完善 → 信息结构化（Infobox/分类/引用） → 监控词条变更

P1 L4 权威背书：行业协会成员/认证 → 政府/教育网站品牌提及 → 参与行业标准制定

P0 L3 媒体内容：权威媒体品牌稿件（每季3-5篇） → 行业垂直媒体深度内容

P1 L2 社区验证：知乎品牌相关高质量回答 → 小红书/什么值得买真实评价

P0 L1 基础存在：官网结构化数据（Schema.org） → 跨平台信息一致性

品牌训练数据健康度评分表

健康度等级： 优秀 ≥85分 / 良好 60-84分 / 缺失 <60分（需紧急补齐）

···

五、训练数据权重在GEO执行中的应用

蜂群算法 × 训练层权重

训练层对GEO展示率的量化影响

完整执行五层策略，预计GEO展现率提升 20-40%（6-12个月周期）。

···

六、中国AI生态的训练数据特殊性

四大中文LLM对比

中文品牌GEO训练层优先序

P0 百度百科词条建设（所有中文LLM的共同核心源）

P0 官网结构化数据 + 跨平台信息一致性

P1 知乎深度回答 + 36氪/虎嗅品牌报道

P1 权威媒体发稿（新华社/人民网/行业媒体）

P2 小红书/什么值得买（消费品行业）

中文品牌GEO训练层优先序

···

七、总结与行动建议

核心公式

品牌在AI训练层中的"记忆强度" = Σ (数据源占比 × 该源中品牌信息密度 × 信息一致性系数)

品牌AI记忆强度公式

行动建议

与蜂群算法的联动

蜂群算法四阶段 × 训练层五层权重 = 犀牛云GEO执行算法 v2.0

蜂群算法×训练层权重=犀牛云GEO执行算法v2.0

一·AI定位 → 训练层健康度诊断（本报告评分体系）

二·生态构建 → 按五层金字塔选择平台（L5→L1）

三·知识精炼 → 四层知识库 × 五层权重（内容优先级排序）

四·效果进化 → GEO监控数据反馈 → 训练层评分迭代