VoteGEO-Bench：网页改写要点名政党，才动得了 AI 选举答案

新加坡国立大学的 Shiqi Zhang 与 Xiaokui Xiao 发布 VoteGEO-Bench，把「改写网页能否改变 AI 答案里的曝光」这件事放进真实选举里量化。他们收集 2024 年美国大选与 2026 年日本众议院选举相关的 28,200 个查询单元、17,251 个网页，用 11 种改写策略逐一测试，看改一页选举网页能让某个政党在 AI 回答里被看见多少。三条主结论：改写必须点名具体政党才有效，不点名不但没有回报还会反噬；整理结构和给出对比论证最稳，堆证据和改文风最弱；引擎自身对不同政党的基线偏向，比一次精心改写掀起的波澜更大。VoteGEO-Bench

生成式引擎把「看得见」从链接排名换成了回答里的引用份额

在 AI 答案引擎里，一页网页「被看见」的单位已经变成它有没有被引用、在回答里占多大篇幅，而不是它排在链接列表的第几位。这是选举信息第一次出现明确争夺点的原因，也是理解这篇论文全部分析的起点。

生成式引擎（generative engine）与传统搜索的差别在输出形态上。传统搜索返回一串链接，用户自己点进去看；生成式引擎直接给出一段综合好的答案，把来源以内联标注的方式嵌在句子旁边。这类引擎内部通常跑一条四段管线。

图注：生成式引擎的代表性管线。用户提问先经过查询改写，再交给搜索引擎检索出排序后的来源集合，然后由摘要模型逐源生成小结，最后由响应模型输出一段带内联引用的最终回答。GEO

这种管线的关键含义是，任何被检索进来的网页，其文字都会一路经过摘要与响应生成，最终进入用户读到的那段话。检索增强生成的综述把这条路概括成检索、生成、增强三要素，并组织为 Indexing 到 Retrieval 再到 Generation 的基本链条，生成式引擎只是它的一个具体实例。RAG Survey

传统搜索里那句「平均排名」在生成式引擎里失效，原因是可数对象的形状变了。链接列表可以逐条排位，而内联引用被拆散后彼此交错地嵌在段落里，一个来源可能出现在答案的第三句，也可能被概括后不再带原句。用户看到的是一段话，而不是一份可数的榜单，曝光因此无法用一个名次描述。

选举场景把这套新度量推到风险最高的位置。当选民开始用这类引擎了解候选人立场时，被引用的那页内容就成了他们信息环境的一部分，曝光本身变成一种政治资源。

GEO 能让改写内容挤进 AI 答案，但选举网页让「优化自己」失去方向

在一般场景里，网站方只要把自己那页内容优化得更好，就能换来曝光；但选举网页同时讨论两个党，目标不明确，改写方向就无从谈起。不点名具体政党的改写不仅没有回报，还会实打实地反噬。

生成式引擎优化（Generative Engine Optimization, GEO）正是这种内容侧操作。它把「网站方改写页面来最大化自己在最终回答里的曝光、而引擎按内部算法挑选引用」这件事形式化成一场黑箱博弈。GEO 那篇母版论文测出的头号结论是，加引用、加引语、加统计数据这类做法能把可见度最多抬高约 40%，传统 SEO 式的关键词堆砌则没有明显效果。

图注：传统搜索与生成式引擎在可见度上的对照。左侧是可以逐条排序的链接列表，右侧是被打散、彼此交错的内联引用。这一形态差异是「平均排名」在生成式引擎里失效的直接原因，也解释了为什么必须另立一套曝光指标。GEO

问题出在选举网页的内容形态上。论文发现，美国网页池里 92% 的网页同时提及两大政党。VoteGEO-Bench 这意味着「把这页写得更清晰、更有结构」这种不点名的改写，可能让两个党同时受益，甚至把目标党挤到后面。作者因此把改写分成点名目标（target-specified）与不点名目标（target-unspecified）两类，并得到全篇最干净的一组对照：不点名改写在 36 个设定里只有 1 个显著正向，却有 4 个显著负向；点名目标则有 24 个显著正向。VoteGEO-Bench

日本侧的失败分析给出了更具体的形态：不点名的对比论证改写里，约四分之一实际上强化了对手党，另有约四分之一干脆把目标党的名字删掉了。VoteGEO-Bench

把选举可见度拆成三个可算的数，再让两种真实选举共用一套评测

这篇论文里的「可见度」不是形容词，而是提及覆盖、声量份额、胜出率三个可比较的数字；而承载这些数字的网页池，从一开始就更偏向自有内容和付费公关稿。

三个指标各有分工。提及覆盖率（Mention Coverage）是回答里提到目标政党的比例，衡量有没有被提到。声量份额（Share-of-Voice, SOV）把每句话的字数在所有被提到的政党之间均分，再看目标党占多少，衡量提到之后占多大比重。胜出率（Win Rate）是目标党拿到最多归属字数的回答比例，衡量有没有压过对手。三者在没有任何政党被提及的回答里都记为零，显著性用双向配对 t 检验判断，每次改写都独立重跑三遍以减少波动。

评测素材来自两场真实选举。美国侧由 260 个与投票决策相关的查询乘上 106 个采集日（首日仅 250 条有结果），得到 27,550 个初始单元；日本侧由 25 条投票建议查询乘上 26 个引擎-日组合（4 个联网模型、其中 gpt-4o-mini 缺 2 天），得到 650 个单元，两者相加就是 28,200，这是未过滤的初始总量。真正跑实验的是从中抽样的 2,939 个单元，美国 2,289 加日本 650，网页去重后共 17,251 个。此外还接入了 2,306 份问卷参与者数据，用来构造更贴近真实选民的人设。VoteGEO-Bench

论文随后按获取成本把网页池里的信源分成四类，这张图本身就是一条结论。

图注：按成本排序的四类信源在引用份额上的时间走势，含美国 Google 搜索与日本四个引擎的子图。付费和公关类媒体占据 46.4% 到 60.9%，独立机构源被压到 1.4% 到 3.0%；作为对照，同期美国 Google 搜索结果里独立机构源占到 39.3%。这是份额与走势证据，不构成因果结论。VoteGEO-Bench

四个大类里，成本最低的自有内容与平台 UGC 占了相当大一块，最贵也最依赖独立编辑流程的机构信源被压到个位数百分比。这说明生成式引擎引用的是一个天然偏向低成本渠道的语料层，而改写正是作用在这一层上的操作。

只有点名目标的改写才稳定抬高曝光，结构整理与对比论证最稳

改写确实能抬高曝光，但它的效果有清晰的形状：必须点名目标，靠整理结构和给出对比论证，而不是堆证据或改文风。更反直觉的是，引擎自身对不同政党的基线偏向，比一次精心改写掀起的波澜更大，人设设定也不会放大改写收益。

论文把改写分成四类共 11 种，其中论证类是相对 GEO 母版的新增量。结构整理包括内容重组与面向 LLM 的排版；证据补充包括加入引语、统计数据和权威署名；语言风格包括提升流畅度、简化语言、加入术语和独特用词；论证类则包括突出具体政策差异的对比论证，以及先引入对方论点再逐条反驳的反驳式论证。VoteGEO-Bench

图注：11 种点名目标策略在 18 个设定里的排名分布。颜色直接对应四个类别，绿为结构整理、蓝为论证、橙为证据补充、灰为语言风格。右侧两列给出平均排名与进入前三的次数：Content Improvement 平均排名 2.61，Comparative Distinction 2.67，语言风格类普遍垫底。VoteGEO-Bench

按显著正向出现的次数看，四类的强弱排序非常一致。

真正起作用的不是把文字写得更漂亮或更权威，而是让这一页更容易被机器读进来，并且明确说清目标政党相对对手的优势在哪。

人设这一轴给出了本章最反直觉的结果。论文构造了 15 个美国人设，包含人口统计身份、党派身份和问卷衍生画像三类。人口统计身份只把基线声量份额推移 −0.8 到 +2.5 个百分点，党派身份则推移 −7.0 到 +4.6 个百分点，后者量级明显更大。更关键的是，90 个人设与无人设的对比在经过聚类和多重检验校正后，没有一个保持显著，也就是说人设既不放大也不缩小改写带来的收益。VoteGEO-Bench

真正大过改写的是引擎自己的基线偏向。在三个应答引擎上，民主党相对共和党的基线声量份额差距分别达到 11.6、3.4 和 3.0 个百分点，而同一实验里对比论证改写给民主党带来的增益只有 2.20、1.76 和 2.16 个百分点。VoteGEO-Bench 一次改写改变不了引擎的党派底色。这个结论在一项规模更大的政治说服实验里得到呼应：那项工作发现个性化对说服力的加权平均增益只有 0.43 个百分点，而重新训练奖励模型能在同一批模型上带来 2.32 个百分点的提升，真正的杠杆不在人设上，该工作目前仍是 arXiv 预印本。Levers of Persuasion

改写只是放大器：被引用的内容本身就不太可信，风险落在引擎侧

这项研究证明的是「曝光可以被内容侧改写」，不是「选民会被说服」。改写要放大的，是本来就充斥着过度自信与引用错误的那层引用信号，所以真正的抓手在引擎的信源与引用机制。

被引用内容的可信度有多低，另一项针对答案引擎的评测给出了数字。

图注：三款 AI 答案引擎在八项指标上的横向打分与回答信心分布。Perplexity 在信心最高的同时，过度自信回答占 81.6%、单边回答占 83.4%、引用准确率仅 49.0%；BingChat 列出的来源里有 36.2% 并未被实际使用。这是三款产品在三百余条专家查询上的评估，不能推广成所有检索增强系统都做不到。Answer Engine Eval

论文自己对此有明确声明：这套指标只测被提及的份额，不判断内容真假，也不区分正面还是负面提及。证据补充类的改写甚至可能插入原网页里没有的支撑材料。也就是说，改写放大的是一个尚未经过质量校验的可见度信号。VoteGEO-Bench

这条风险链的下游也有独立证据。那项说服实验同时测出，当提示或后训练把说服力推高时，事实准确性往往同步下降：奖励模型让对话模型的平均说服力提升 2.32 个百分点，准确性下降 2.22 个百分点；同规模模型的更新版说服力高 3.50 个百分点，不准确率却上升 12.53 个百分点。Levers of Persuasion 可见度、说服力与准确性在这里并不是同向的。

操纵也不是选举独有的问题。有研究用对抗性文本序列把一款虚构咖啡机推成开源模型的首页推荐，说明只要第三方能控制喂给模型的那段文字，输出排序就可能被改写。LLM Manipulation

必须说清这项研究的边界。它在一个固定的历史网页池上评测，联网检索全程关闭，温度固定为零，只用了三个应答引擎；覆盖范围限于美国两大党与日本众议院，且只测单页改写，不测多页协同。论文明确把「改写是否会改变真实检索结果」和「是否影响投票行为」排除在外，并且由于改写内容是政治材料、可能残留在缓存与网页存档里被真实选民看到，作者主动放弃了在线端到端验证。会议收录元数据截至写作时在公开渠道无法核验。VoteGEO-Bench

对内容生态和政策制定者来说，这篇论文给出的判断是：选举信息在 AI 答案里的曝光确实可以被一页内容改写所左右，但改写能掀起的浪，比引擎自身的党派偏向和信源结构要小。治理的着力点因此更应放在引擎引用哪些来源、如何校验引用上，而不是只盯住某一次网页改写。

想深入可以读原文：VoteGEO-Bench: Measuring the Impact of Generative Engine Optimization on Electoral Visibility — arXiv:2610.21330

参考文献

1. VoteGEO-Bench: Measuring the Impact of Generative Engine Optimization on Electoral Visibility — Shiqi Zhang, Xiaokui Xiao (NUS), arXiv:2610.21330, 2026-10-15
2. GEO: Generative Engine Optimization — Aggarwal et al., KDD 2024, arXiv:2311.09735
3. Retrieval-Augmented Generation for Large Language Models: A Survey — Gao et al., arXiv:2312.10997
4. Search Engines in an AI Era: The False Promise of Factual and Verifiable Source-Cited Responses — Venkit et al., arXiv:2410.22349
5. Manipulating Large Language Models to Increase Product Visibility — Kumar & Lakkaraju, arXiv:2404.07981
6. The Levers of Political Persuasion with Conversational AI — Hackenburg, Tappin et al., arXiv:2507.13919