国内入口的公开定位视角，可对照 国内大模型训练数据偏好；引用机制见 AI 引用分析。
三层机制，别混成「进语料」一句话
层一：预训练（Pretraining）
模型在大规模文本上学到语言规律与世界知识的「底色」。品牌相关印象可能来自旧新闻、百科、论坛、文档等历史材料。这一层的特点是：
- -更新慢、不可点对点投放。 你很难买一个「请把我们写进下一版预训练」的按钮；
- -过时信息可能长期残留。 几年前的错误定位，仍可能在无检索时冒出来；
- -品牌影响弱且间接。 长期、广泛、一致的公开叙述可能逐渐进入未来语料，但这是慢变量，不能当季度 KPI。
层二：检索 / 联网补强（Retrieval / Browsing）
许多产品在回答时会再查公开网页或自有索引，用现行材料补事实。这一层对品牌往往更关键：
- -现行页找不找得到、写不写得清，直接决定补强质量；
- -冲突页、过期页会被一起读到， 助手可能复读含糊表述；
- -品牌影响强。 治理公开网页、帮助中心、权威来源上的硬事实，是可执行动作。
层三：对话与工具上下文
当次会话里的用户补充、上传材料、插件返回，会临时改变答案。这一层波动大，适合解释「为什么同题不同次」，不适合单独当成品牌长期可见性的定义。
「你能影响什么」：一张老实清单
| 动作 | 主要影响哪一层 | 务实期望 |
|---|---|---|
| 更新官网与帮助中心现行事实 | 检索补强 | 较快改善「说错/过时」类问题的材料基础 |
| 清理过期 URL、加失效声明 | 检索补强 | 降低旧事实继续被读到的概率 |
| 对齐百科/目录/店铺硬事实 | 检索 + 未来语料的间接输入 | 改善认人与归属，仍非即时开关 |
| 争取可核对的第三方报道 | 交叉验证与权威性 | 提升「敢引用」的旁证，不保证必被引 |
| 投放广告与话题热搜 | 触达与短期讨论 | 对预训练几乎无直接控制；对检索也未必变成依据 |
| 「投稿训练数据」传闻操作 | 多为不可验证 | 无官方入口就不要写进计划 |
务实期望的意思是：把目标写进计划时，用「改善材料基础」「降低旧事实被读到的概率」，而不是「保证下个版本必推我们」。
常见幻觉：把三层当成一个旋钮
幻觉 A：删掉一篇旧稿，预训练印象立刻消失。 预训练不由你单篇删除即时改写；你更该做的是让检索层读到正确现行页，并在公开渠道形成一致新叙述。
幻觉 B：只要被爬虫抓过，就等于进了所有模型的训练语料。 抓取、索引、训练采样、产品是否联网，是不同环节。能证明的只有「某次回答是否展示了可核验来源」，而不是臆测内部权重。
幻觉 C：把官网写成「训练语料友好格式」就能锁定推荐。 格式有助于抽取，但解决不了事实冲突与实体混淆。格式优化应排在事实正确之后。
品牌策略：把力气花在「可证明影响」的面上
值数建议的默认策略很朴素：
- 把公开现行事实当成产品来维护——有负责人、有更新时间、有失效机制。
- 把答案观察当成质检——看误说是否指向某条过期材料，而不是空喊「模型有偏见」。
- 把预训练当背景风险——对历史污点与长期错误定位保持耐心治理，同时用检索层正确信息对冲。
- 拒绝无法核验的黑盒承诺——任何「保证进入某模型训练」的说法，若无官方披露，就按不可执行处理。
模型版本切换时，三层权重的产品表现还可能变化，复测方法见 大模型更新与品牌可见性。
用四个平台判断问题落在哪一层
选一条已更新的品牌硬事实，同一天分别问文心、Kimi、通义、豆包，每家做两次——先直接问，再附上现行事实页。它们「读现行材料」的路子不同，检索补强的表现也就不同：
- -文心一言：背靠百度搜索与百科，更依赖能被收录、可检索的结构化事实页；旧知识条目还在线时，无检索场景下容易复述过时定位。
- -Kimi：主打长文本与联网检索，吃完整、有条理的长说明；把关键事实拆成零散短句，补强时反而更容易被讲得笼统。
- -通义千问：连着阿里云与电商生态，检索时对商业与交易侧信息更敏感；官网、云市场与店铺口径不一，就会补进互相打架的版本。
- -豆包：贴近字节内容与口语场景，缺真实使用场景的现行表达时，容易沿用旧内容或把你讲得含糊。
若附页后第二次才纠正，只能说明当次材料有效，不能据此宣称「训练语料已经更新」；两次都错，就继续排查公开源冲突。
现在就能执行的自查动作是：随机抽一条品牌硬事实，列出官网现行页、仍在线的旧页、一个第三方来源，再问四个平台同一道题。先找冲突源，再决定更新内容还是扩大观察。
小结
训练语料决定底色，检索补强决定多数「现在怎么说你」，对话上下文解释单次波动。品牌真正能按季度推进的，是公开可检索事实的质量与一致性；对预训练只能间接、缓慢地影响。把边界讲清楚，GEO 才不会变成玄学采购，也不会在汇报里出现编造的「语料占比」。
延伸阅读：什么是 AI 可见性、第三方内容信任信号。