CHASE: 当排序是唯一目标时，内容生态系统如何被重塑

Generative Engine Optimization (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，但在反复优化下其总体层面的影响仍然知之甚少。我们提出 Content Homogenization under rAnking Signal Exploitation (CHASE)，这是一个受控模拟框架，用于研究当创作者反复针对 LLM 排序信号调整文档时，内容生态系统如何被重塑。我们将排序作为源可见性的代理，并在有依据支撑的生成回复中的引用上验证这一抽象，在六个领域中获得了 0.853 $\pm$ 0.093 的 rank-citation AUC。随后，CHASE 在不同领域上迭代执行排序、特征区分、重写和评估，共进行 20 轮。在六个领域中，质量-排序一致性均下降：从 R0 到 R20，Spearman's rho 的变化范围为 -0.107 到 -0.018，平均变化为 -0.068，这意味着在模拟期间，更接近排序特征画像的文档与独立判断的文档质量之间的对齐程度变差。随机目标对照表明，这种变化与基于排序的激励适应有关，而不仅仅是迭代重写本身。由此产生的生态系统动态具有很强的领域依赖性。综合来看，这些发现表明，针对固定的 LLM 排序信号进行反复优化，会同时重塑内容群体以及内容创作者所面临的激励机制。