CHASE：当排名成为唯一目标，内容生态如何被重塑

生成引擎优化 (GEO) 越来越多地用于提高基于 LLM 的检索系统中的内容可见性，但其在重复优化下对群体水平的影响仍然知之甚少。我们在排名信号利用 (CHASE) 下引入内容同质化，这是一种受控模拟框架，用于研究当创作者反复调整文档以适应 LLM 排名信号时内容生态系统如何重塑。我们使用排名作为来源可见性的代理，并根据基于证据生成的回答中的引用验证此抽象，在六个域中获得 0.853 $\pm$ 0.093 的排名引用 AUC。然后，CHASE 在不同领域迭代 20 轮以上的排名、特征判别、重写和评估。质量排名对齐在所有六个域中均下降：从 R0 到 R20，Spearman rho 的变化范围为 -0.107 到 -0.018，平均变化为 -0.068，这意味着更接近排名特征配置文件的文档与模拟范围内独立判断的文档质量的对齐程度降低。随机目标控制表明，它与对排名衍生激励的适应相关，而不仅仅是迭代重写。由此产生的生态系统动态强烈依赖于领域。总之，这些发现表明，针对固定的 LLM 排名信号进行重复优化可以如何重塑内容群体和内容创作者面临的激励。