AI可見性證據模型：五因素、證據分級

AI可見性證據模型由richresults.ai釋出，旨在為釋出者提供一個按證據強度排序的參考框架。該模型定義了五個因素：主題相關性、機器可訪問性、實體一致性、可提取性和獨立印證，併為每個因素標註了基於同行評審研究、受控預印本及官方平臺文件的證據等級。模型的存在是因為該領域缺乏一份簡潔的釋出者側參考，能夠將主要可操作因素與明確的證據等級和原始來源對應起來。

模型明確區分了描述性與規範性：AI可見性證據模型是描述性的，報告研究現狀；而AEO精通框架則是規範性的，定義richresults.ai的實施方法。模型並非排名系統、評分或結果承諾。AI可見性在重複的非確定性答案中呈分佈狀態，沒有任何因素能保證引用。模型的用途是提供優先順序：哪些工作有證據支援、哪些屬於衛生性工作、哪些被證據反駁。此外，模型刻意限定範圍：它排序的是釋出者可操作的因素，而檢索階段屬於系統側，受控研究顯示該階段對引用結果起主導作用。

證據等級分為四級：A級為同行評審且受控，或獨立復現；B級為受控但可遷移性有限，或官方平臺宣告；C級為相關性或跨獨立資料集的三角驗證，但無因果證明；D級為無證據支援或被證據反駁。每個因素還帶有機制型別：'門'是二元前提，'驅動'是漸進影響，'衛生'則減少錯誤卻不創造優勢。這一等級體系刻意保守，C級並不意味著不重要，只是無人能在生產環境中隔離其因果效應。

在五個因素中，主題相關性是文件側最強驅動：最大的受控引用研究（6個語言模型中25.2萬次試驗）顯示，主題匹配和模型上下文位置是主導因素，離題內容幾乎不會被首先引用。機器可訪問性是'門'，官方文件明確要求爬蟲許可權和索引存在。實體一致性屬於'衛生'因素：谷歌表示AI功能無需特殊標記，知識圖譜的grounding只是減少實體消歧錯誤。可提取性分為兩部分：位置效應作為模型現象有B級證據，但答案優先結構作為釋出者策略僅有C級相關證據。獨立印證需拆解為三條陳述：訓練資料中的頻率和傳播因果地決定模型無需搜尋即可知道的內容（B級），預印本觀察到AI系統偏好第三方媒體（C級），但提及的獨立性本身未被證明是因果因素。

證據不支援的做法包括：llms.txt（谷歌明確不使用）、內容級改寫技巧（受控研究顯示大多無效甚至有害）、schema作為引用開關、AI排名位置作為指標（單次執行不可靠）、以及製造提及（無可靠正面證據）。同時，引用不等於引用保真度：獨立審計顯示8個AI搜尋引擎在來源歸屬查詢上超過60%出錯，因此測量計劃應同時跟蹤可見性和事實準確性。

方法說明強調，每個宣告都對照原始來源驗證，合成過程還使用多個AI系統進行完整性檢查，但系統的趨同只是編輯層面的合理性檢查。披露指出，該模型由richresults.ai釋出，作者是Stefan Petschinka，未經過外部同行評審。三個限制適用：生產系統是非確定性的、模型和檢索方法會變化、任何人都無法在即時答案引擎中因果隔離單一干預。