中EN
联系销售
Two language streams feeding different AI engines with different citation outcomes

查询语言与引擎选择如何重塑 AI 引用：来自两个 GEO 实测案例的证据

行业分析 Industry Analysis 2026 年 7 月 27 日更新 Updated July 27, 2026 10 分钟阅读 10 min read

Emma Chen 作者：Emma Chen · Geolix.ai 研究团队 Author: Emma Chen · Geolix.ai Research Team

AI 引用可见度不是一个可以覆盖全市场的总分。它会随引擎、查询语言和可供检索的信源生态变化。Geolix.ai 生产监测数据补上了全球研究缺少的中文视角：在一个中文市场案例中，同一品牌、同一组 10 道购买意图题，在 6 个引擎中的提及率从 10.3% 到 81.9% 不等。对亚太金融科技而言，结论不是“中文内容一定优于英文内容”，而是只测英文无法判断品牌在中文 AI 发现链路中的真实表现。

核心结论

  • Profound 分析了 7 个全球引擎、14 个国家的 32.5 亿次引用，发现查询语言会显著改变引用模式；但研究没有覆盖中国大陆和中文答案引擎。
  • Geolix.ai 的低代码 SaaS 案例包含 1,233 条中文有效回答和 15,353 条引用记录；同一品牌的提及率从 Perplexity 的 10.3% 到 DeepSeek 的 81.9%。
  • 该案例中，中文引擎组与西方引擎组仅共享 68 个域名，引用域名 Jaccard 重合度为 12%。
  • 低代码 SaaS 案例覆盖的 6 个引擎中，中文来源占比均在 90.4%—100%，包括 ChatGPT、Perplexity 和 Google AI Mode。
  • 两个 Geolix.ai 案例只能作为互补证据，不能视为严格的中英文同题实验，因为品类、品牌、题目、日期、重复次数和引擎范围均不同。

全球研究已经证明了什么

Profound 的 2026 年 3 月研究覆盖 ChatGPT、Claude、Google AI Mode、Google AI Overviews、Gemini、Microsoft Copilot 和 Perplexity。社交来源在 Google AI Overviews 引用中占 15.3%，在 AI Mode 中占 14.5%，而 ChatGPT 为 9.1%、Claude 为 3.99%、Gemini 为 3.6%。正确解读不是“某一类信源永远有效”，而是引擎和市场语言会改变引用行为。

Sources: Profound 引用研究 | Peec AI 语言研究

Peec AI 提供了另一组独立采集的厂商数据：在超过 1,000 万个问题和 2,000 万次 fan-out 检索中，78% 的非英文会话补充使用了英文检索，非英文问题触发的 fan-out 检索有 43% 发生在英文网络。多语言检索领域的同行评审研究也发现语言偏好和高资源语言偏差。这些证据共同说明，翻译页面并不能保证形成等价的检索结果。

Sources: ACL 2025 多语言 RAG 研究 | ACL 2026 语言偏差研究

低代码 SaaS 案例：同一批中文问题，六种可见度结果

2026 年 6 月 15—19 日，Geolix.ai 对一个低代码 SaaS 品牌进行测试：10 道中文购买意图题，覆盖 ChatGPT、DeepSeek、豆包、Google AI Mode、Perplexity 和通义千问；每题、每天、每引擎计划重复 5 次。剔除无效运行后，共得到 1,233 条有效回答和 15,353 条引用记录。

引擎有效回答提及率Top-1 率中文来源占比
DeepSeek21081.9%5.2%96.5%
豆包19971.4%4.5%100.0%
通义千问20670.9%34.5%100.0%
ChatGPT20745.4%3.4%96.3%
Google AI Mode20830.8%n/a90.4%
Perplexity20310.3%1.0%97.1%

差距具有实际运营意义：提及率约相差 8 倍，可计算的 Top-1 推荐率从 1.0% 到 34.5%。Google AI Mode 的排名字段抽取失败，因此标为 n/a，而不是 0。逐题看，同一内容缺口还会在不同引擎中反转：有两道题在 ChatGPT 的提及率为 0，但 DeepSeek 分别为 76% 和 71%，通义千问分别为 10% 和 100%。用一个平均 GEO 分数会把这些差异全部抹平。

即使题目语言不变，引擎使用的信源生态也不同

DeepSeek 有 62.5% 的引用来自云平台和官方开发者生态；豆包有 31.1% 来自 UGC／视频来源，尤其是抖音；通义千问有 72.6% 来自 UGC／视频，另有 25.1% 为搜索自引。ChatGPT 最大的来源类别则是厂商官网，占 68.6%。这些是本案例的观察结果，不应扩写成适用于所有行业的普遍规律。

将 DeepSeek、豆包、通义千问归为中文引擎组，将 ChatGPT、Google AI Mode、Perplexity 归为西方引擎组后，两组只共享 68 个引用域名，唯一域名 Jaccard 重合度为 12%。与此同时，6 个引擎超过 90% 的引用都是中文来源。这说明中文问题会激活以中文材料为主的证据环境，但不同引擎仍会从中选择完全不同的部分。

英文金融科技案例补充了什么

另一组 Geolix.ai 数据监测了一个面向新加坡／亚太金融科技的 GEO 服务品牌。2026 年 7 月 20—31 日，9 道英文购买意图题在 ChatGPT API、Gemini 和 Perplexity 中产生 15,495 条有效回答和 223,196 条引用记录。Perplexity 的品牌提及率为 75.3%，Gemini 为 38.6%，ChatGPT 为 6.9%；三者非中文来源占比分别为 89.0%、99.9% 和 91.5%。

该案例还证明“被引用”和“被提及”不是同一指标。ChatGPT 在 22.9% 的回答中引用目标品牌官网，却只在 6.9% 的回答中写出品牌名，二者相差 3.3 倍。Perplexity 还引用了 3,149 次中文版本页面，占其同源成对页面引用的 42.5%；ChatGPT 和 Gemini 对这些中文版本的引用均为 0。即使问题是英文，不同引擎对本地化页面的处理也可能不同。

亚太金融科技团队应该怎么做

  • 分别建立英文和中文的发现、比较、信任、牌照与市场准入问题库。
  • 按引擎分别报告提及率、Top-1／Top-3 推荐率、自有域名被引率和第三方被引率。
  • 在决定发布渠道或媒体合作前，先梳理各引擎实际引用的域名与来源类型。
  • 统一不同语言版本及第三方资料中的法律实体、牌照、市场范围、费用、资格和产品限制。
  • 除非控制题目、引擎、时间和其他内容动作，否则前后变化只能写成观察性结果。
  • 另行增加事实准确度审查；当前 Geolix.ai 导出表没有事实准确率字段。

方法与局限

两个案例均来自生产监测，不是随机实验，且在品类、品牌、问题、日期、重复次数和可用引擎上各不相同，因此不能用汇总比例计算语言的因果影响。低代码 SaaS 案例的 DeepSeek／豆包地区字段未落库；英文金融科技案例的 Google AI Mode 计划 450 次仅成功 1 次，Google AI Overviews 仅成功 62 次，均已剔除。数据没有事实准确率字段，负面情绪计数又全部为 0，因此本文不使用这两个指标作为证据。

常见问题

这些数据是否证明中文问题一定更适合中文内容？

不能。它证明一个中文同题案例高度依赖中文来源，而且不同引擎使用的中文来源子集差异很大。若要估算语言本身的影响，仍需对同一品牌、同一问题在同一时间分别使用中英文测试。

ChatGPT 表现能否预测 DeepSeek 或通义千问？

不能安全推断。在低代码 SaaS 案例中，同一品牌和问题在提及、推荐和来源类型上都出现明显跨引擎差异。

最低限度的多语言 GEO 看板应包含什么？

需要保留问题级答案与引用网址，并按引擎、语言、地区、日期拆分；提及、推荐、自有域名引用和事实准确度必须分别计算。

参考资料