衡量 GEO 效果，重点看四项变化。品牌有没有被提到、AI 说得准不准、品牌有没有进入推荐候选，以及回答有没有引用可核实的来源。四项分开看，才能知道应该优化哪一环。
- 提及、准确、候选和引用分别反映不同问题。
- 每项指标都要说明测试了多少个问题、重复了多少次。
- 优化前后使用同一批问题，结果才有可比性。
- 样本量达到评估要求后，再形成正式分数。
- 闭卷模型和联网搜索分开统计，优化方向更清楚。
为什么要把四项指标分开看
如果总分发生变化，企业还需要知道原因：是品牌出现得更多了、信息更准确了、进入了更多候选，还是获得了更多直接引用。
把四项指标分别展示，可以直接对应官网内容、品牌事实、外部信源和渠道信息等不同优化动作。
每个结果都要带上样本范围
“品牌在 AI 回答里出现了 12 次”还不够完整，还要说明测试了多少个问题、每个问题重复几次、覆盖哪些模型，以及测试发生在哪个时间段。
这些信息会和结果一起展示，方便企业判断变化的幅度、稳定性和适用范围。
优化前后使用同一批问题
Winin 会固定正式测试的问题、模型入口和测试条件，并记录版本。这样前后结果反映的是品牌表现变化，而不是题目变化。
新发现的问题可以加入下一版测试，用来持续扩大监测范围，同时保持历史趋势清晰。
常见问题
GEO 效果多久能看出来？
变化速度与内容发布、重新抓取、索引更新和模型入口有关。Winin 会记录这些关键节点，并按固定周期复测，让企业看到变化从哪里开始出现。
可以用关键词排名代替 GEO 指标吗？
关键词排名可以作为搜索数据参考；GEO 还需要通过多次测试，衡量品牌提及、事实准确、进入候选和引用来源。
为什么闭卷和联网检索要分开算？
闭卷问答反映的是模型参数里的记忆，联网检索反映的是当前可抓取的网页。两者的改进手段完全不同，混在一起会让改进方向失焦。
测试多少次才适合形成正式结论？
Winin 会根据问题数量、模型范围和测试频率设定样本要求，并在报告中同时展示样本量与结果。正式评估的单项样本量达到 20 后，再进入评分。