LLMO(大语言模型优化)
本页面也提供英文版。
LLMO(大语言模型优化)是指改善大语言模型(例如 ChatGPT 和 Gemini 背后的模型)描述和推荐品牌的方式,做法是在模型学习所用的数据中,以及模型回答时检索的页面中,发布准确、一致的信息。
什么是 LLMO?
LLMO 把语言模型本身当作优化对象。模型回答有关某个品牌的问题时,信息来自两个地方:一是训练期间吸收的内容,可能已是几个月甚至几年前的;二是回答当下从实时网络检索到的内容。LLMO 同时作用于这两方面。训练这一侧见效慢且间接:让你自己的页面、目录收录、点评资料和媒体报道都陈述相同的最新事实,这样下一个模型版本就能学到准确的信息。检索这一侧见效更快:针对买家会问的每个问题,为会搜索网络的引擎提供一个清晰、便于引用的页面。
实际工作更像是实体信息治理,而不是关键词优化:公司和每个产品都使用统一的名称和描述,事实要直接说明而不是暗示,并且同样的事实能得到模型可能信任的第三方来源佐证。任何单一来源对模型的影响有多大,从外部很少能看出来,因此 LLMO 要看结果来评判:各引擎实际上是怎么谈论你的。
示例
一家公司发现,某个 AI 助手在描述它时仍使用一个两年前就已停用的产品名称。于是它在自己的网站上发布了清晰、最新的产品描述,并请提到它的目录网站和点评网站更新收录信息。检索实时页面的引擎在重新抓取这些页面后就会采用新名称;而依靠训练数据回答的引擎,只有在模型更新后才会跟上。
LLMO、GEO 与 AEO 的区别
这三个名称从不同角度描述同一项工作,大多数团队会混用它们。区别在于各自强调的重点不同。
| 术语 | 全称 | 侧重点 |
|---|---|---|
| LLMO | 大语言模型优化 | 模型:它根据训练数据和检索到的内容,对一个品牌形成的认知 |
| GEO | 生成式引擎优化 | 引擎:AI 聊天助手和 AI 搜索等生成式系统如何组织回答 |
| AEO | 答案引擎优化 | 结果:在用户收到的回答中被提及和引用 |
如果只要一条规则:指结果时说 AEO,指系统时说 GEO,重点在于模型自身对你品牌的理解时说 LLMO。更详细的对比见GEO、AEO 与 LLMO 的区别。
为什么重要
有些回答主要依赖模型在训练期间学到的内容,这些内容可能落后于你当前的产品和定位。另一些回答则依赖实时检索。在你的网站以及提到你的第三方来源中保持一致、准确的信息,对这两种情况都有帮助,而这也是模型对你的认知中唯一由你掌控的部分。
Stellarcast 如何处理
Stellarcast 衡量的正是 LLMO 所追求的结果:针对买家会问的问题,它追踪的每个 AI 引擎是否提及并引用你的品牌,按市场分别统计,并附 P25-P75 区间,同时显示在你未被提及时被提及的是哪个竞争对手。这让 LLMO 工作有了可对照的前后数据。