PulseAugur
中
实时 05:59:15
English(EN) Position: Generative Engine Optimization Creates Underexamined Risks, Governance Must Target Concentration, Disclosure, and Academic Blind Spots

新论文警告大型语言模型中的生成式引擎优化带来的风险

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新发表在arXiv上的立场论文概述了与生成式引擎优化（GEO）相关的风险，GEO是一种将搜索引擎优化（SEO）技术应用于大型语言模型（LLM）答案引擎的现象。该论文指出了三个主要风险：由于低竞争性和系统敏感性导致的集中化影响；LLM生成答案中未披露的商业影响；以及学术评估与实际部署系统之间不对称性产生的盲点。为解决这些问题，作者提倡进行答案层面的治理，包括增强竞争性、精确披露影响、黑盒审计以及与部署相匹配的指标。 AI

影响 强调了基于LLM的信息源被操纵的可能性，需要新的治理和审计方法。

排序理由 该集群包含一篇讨论新AI相关现象的风险并提出治理方案的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yizhu Wen, Nan Zhang, Haohan Yuan, Xun Chen, Haopeng Zhang, Hanqing Guo ·

    Position: Generative Engine Optimization Creates Underexamined Risks, Governance Must Target Concentration, Disclosure, and Academic Blind Spots

    arXiv:2606.12439v1 Announce Type: cross Abstract: Large language model (LLM) answer engines are increasingly used for information seeking, shifting visibility from ranked lists to synthesized answers. This enables Generative Engine Optimization (GEO), which targets LLM answer eng…

相关实体

相关话题