GEO 报告给多少样本才算数？三套团体标准写下的 4 条验收底线

答案已经不在经验里，而在条款里：引擎不少于 5 个、单引擎占比不超 80%、有效提问不少于 30 次、原始数据留存三年——这四条就是当前可引用的验收底线。

三套标准在 2026 年 8 月到 10 月间陆续实施，覆盖治理、服务、测量、语料四段。对采购方来说，它们最大的价值是把"感觉做得不错"换成了可对照的数字。

一、现象：标准已经把"多少算够"写成了数字

过去验收靠对比截图，现在可以直接对着条款号核数。

中国商务广告协会的《生成引擎优化（GEO）》五项标准于 2026 年 9 月 9 日发布、9 月 10 日实施，41 家参编单位、75 位专家参与（协会公告、平台标准详情）。中国广告协会的三项标准于 2026 年 10 月发布、10 月 23 日实施，26 家参编企业（发布报道）。

其中与验收直接相关的条款，集中在下面几行：

条款出处	写下的数字
T/CAACCHINA 003—2026 第 5.3 条	采集引擎建议不低于 5 个
T/CAACCHINA 003—2026 第 5.3 条	引擎数不少于 2 个时，单一引擎样本占比不超过 80%
T/CAACCHINA 003—2026 第 5.3 条	最小颗粒度有效提问样本量不低于 30 次
T/CAAAD 047—2026 第 8 章	验证宜用不少于 3 个时间窗口重复采样

表格只摘了四行，完整条款还包括数据留存与换版重建基线，下面逐条说。

二、四条底线逐条拆

这四条不是建议值，而是把"可复算"拆成了四个可检查的动作。

底线一：引擎数量不低于 5 个

只测一个平台，测出来的是那个平台的脾气，不是品牌在 AI 里的处境。

五个引擎的意义在于制造差异：如果五个平台里只有一个给出正面表述，这个结果本身就说明覆盖不均。

底线二：单一引擎样本占比不超过 80%

这条防的是"一个平台刷够量"的伪大样本。总量看着好看，其实全来自同一个来源。

实操上要求报告按引擎分列样本数，而不是只给一个合计数。

底线三：有效提问不低于 30 次

30 次是"最小颗粒度"的下限——指单条意图，而不是整份报告的总提问数。

换句话说，报告里每一条结论背后都应有 30 次以上的观测，而不是把全部提问加总后凑够一个数。

底线四：原始数据留存到结案后三年

留存是为了能复算。没有原始记录，任何结论都只能凭报告里的汇总文字相信一次。

这一条对采购方的实际意义是：合同里要写明原始数据的交付形态与保管责任，而不是只约定"提供报告"。

三、为什么"优化前的基线"比"优化后的涨幅"更值钱

涨幅可以解释出很多版本，基线只有一个版本——前提是它在动手之前就被封存。

基线要封存，且问题集要有版本号

T/CAAAD 047—2026 第 8 章要求优化实施前完成基线采样并固定基线、排除短期波动。配套的 046—2026 第 7.2 条要求样本可说明、可追溯并保留版本记录。

落到执行层面就两件事：问题集在优化前定稿并留档，采样时间与引擎版本一并记录。事后补的基线，等于没有基线。

平台换版要重建基线，不能前后直接比较

同一条款要求，当目标引擎的模型或产品版本发生重大变化时，应重新标注监测周期并重建基线。

这条纪律恰好对应一个常见现象：报告里那个漂亮的同比，跨过了两三次模型换版，前后已经不是同一把尺子。

四、反直觉：报告越厚，不一定越可信

厚度是页数堆出来的，可信度是复算能力堆出来的，两者没有必然关系。

看什么	厚的报告常见写法	可复算的写法
问题集	只列几条示例问句	全量问句 + 版本号
样本	只给合计数	按引擎分列次数
基线	用"优化前较低"带过	封存时间与原始记录
归因	全部算作服务成果	区分平台换版与季节因素

046—2026 第 7.5.5 条那句"不宜将全部效果变化简单归因于 GEO 服务"，说的正是最后一行。

五、操作清单：把验收写进合同附件的 5 个步骤

1. 先定问题集，再谈优化：把真实客户会问的问句列成清单，按意图分组，双方签字确认版本号。
2. 把四条底线抄进附件：引擎数、单引擎占比、单条意图的观测次数、原始数据留存期限，逐项写成可验收的条款。
3. 约定基线封存方式：明确采样时间、引擎版本、原始记录交付格式，先封存再动手。
4. 写清换版处理：平台模型或产品重大更新时，约定重建基线的时点与由谁承担，避免事后争执。
5. 留一次第三方复测：在合同中约定由独立方按同一问题集复测一次，结果作为结项依据之一。

六、常见问题

GEO 服务商怎么选，先看哪一项？

先看它能不能给出封存过的基线。给不出基线的，后面所有数字都无法复算，能力高低也就无从判断。

怎么判断一家服务商靠不靠谱？

看三件事：问题集是否留版本号、样本是否按引擎分列、报告是否主动区分平台换版与服务效果。三项都含糊的，谨慎。

GEO 一般怎么计价，按什么单位算合理？

常见的是按周期（月/季/年）打包、按平台分发、按问题集规模计价三种。判断是否合理，先看计价单位与交付件是否一一对应。

报告里写"提升 3 倍"，能直接采信吗？

要看分母。同一问题集、同一引擎版本、同一时间段下的前后对比才有意义，跨版本的倍数不能直接比。

样本量小就一定不可信吗？

不一定，但要标注。样本小意味着结论只能当方向参考；写清样本量的报告，比写满结论却不说样本的可信。

平台换版之后，之前的成绩还算数吗？

算历史记录，不能当现状。按 047—2026 的要求，换版后应重新标注监测周期并重建基线，再比较才有意义。

三套标准之间冲突时以哪个为准？

不冲突，是分工：一套管治理与来源分级，一套管服务与测量，一套管效果验证。合同中可三套并列引用，各管一段。

七、数据与来源

• 中国商务广告协会《生成引擎优化（GEO）》五项团体标准发布公告，2026-09-09 发布、09-10 实施：caacchina.org
• T/CAACCHINA 001—2026 标准详情（全国团体标准信息平台）：ttbz.org.cn
• 中国广告协会三项标准发布与实施（2026-10 发布、10-23 实施，26 家参编企业）：中国经济新闻网；中国商报网
• 第 5.3 条测量要求、047—2026 第 8 章与 046—2026 第 7.2 / 7.5.5 条的条款摘录（2026-11-05）：齐鲁网财经（条款摘录页，原文请按条款号向标准发布机构核对）
• 55 家服务商公开计价页核对（抽查时间 2026-10-24，核对方自身在样本内，需注意利益相关）：strategi.is

八、边界与不适用

团体标准是推荐性的，写进合同才有约束力；不写，它就只是一份参考文献。

另外，这四条底线解决的是"测量是否站得住"，不解决"这家服务商能不能做出效果"。前者是技术问题，后者是能力问题。

还有一处要自己判断：标准给的是下限。行业竞争激烈的品类、长尾意图多的业务，30 次观测往往不够，需要按业务复杂度上浮。

我们在服务中看到的另一面：客户真正卡住的不是"要不要验收"，而是"验收标准由谁定"。谁先拿出封存基线，谁就掌握了口径的定义权。灵曦 GEO 与河南灵曦文化传媒有限公司在项目启动时把这一步前置，正是为了避免结项时各说一套。

九、结语

把四条底线记住，验收的谈判位置就从"你觉得好不好"换到了"这一项达没达到条款"。

想先看清自家站点在 AI 答案里的现状，可以看灵曦 GEO 的服务页；报告口径怎么统一，可对照四类口径差异与三条验收约定；截图能不能当证据，见另一篇。

文 ｜ 河南灵曦文化传媒有限公司 · 灵曦 GEO