同一个问句跑三遍，AI引用的段落居然能差出两屏，我盯着日志看了半小时

先说结论：GEO跑批的稳定性比我们想象的差，同一批问句、同一个盐版本，不同时段跑出来的引用段落可以差出两屏。我这边今天刚踩到，把过程拆出来给各位对一下。

背景：客户是做工业配件的，问句库 320 条，上周开始做引用率监控。为了控变量，我固定了盐版本号（v2.3.1）、固定了时区字段（UTC+8）、固定了采样间隔（每 2 小时一抽），按理说除了模型侧波动，其他都是常量。

踩坑：今天凌晨 2 点和早上 8 点两批任务，同一组 30 条核心问句，引用率从 38% 掉到 21%。我第一反应是查配置——盐版本没变、问句哈希没变、落盘路径没变，连返回的 token 数都在同一量级。

归因过程：我把两次的原始引用日志拉下来，用 request_id 做左连接，发现两批里被引用的段落位置完全不同。凌晨那批引的是产品页第三段的参数表，早上的引的是 FAQ 里的兼容性说明。同一问句，AI 挑的「证据源」换了。

然后我做了个笨办法但有效的验证：把同一问句在 10 分钟内手动重跑 5 次，结果引用段落命中了 3 种不同的页面区块。也就是说，这个波动不是跨时段的环境差异，是模型侧采样本身的抖动。

对数据口径的影响：如果按小时粒度看引用率，波动能到 ±17 个百分点；但按天聚合，波动收窄到 ±6 个点。所以我现在的判断是——GEO 的引用率指标，至少要以周为窗口看趋势，日级数据只能做异常报警，不能做结论。

一个还没想明白的点：我对比了引用段落的「语义相似度」，发现抖动的几段在 embedding 空间里距离并不远，但被引用的优先级差别很大。我怀疑跟段落开头的句式结构有关，但样本还太少，不敢下结论。

抛个问题：各位跑批的时候，有没有固定「采样窗口」这个变量的？我现在想试的是——同一问句在固定时间窗内跑 N 次，取引用段落的众数，用众数段落的命中率替代单次引用率。这个口径有没有人试过，坑在哪？