凌晨两点拆AI答案字段，发现「温度」参数能调出推荐位

昨晚又熬到两点，本来想随便跑几条query就睡，结果越拆越睡不着。

事情是这样的：我们公司做智能家居配件，主打一个空调伴侣。上周我拿「广州夏天用什么空调伴侣」去问几个主流AI搜索，答案里推的全是竞品，我们连影子都没有。我不服，就顺手把返回的JSON结构打印出来看——以前只看answer字段，这次我盯着metadata里那个temperature: 0.7愣了半天。

我做了个对照实验：同一批10条query，分别用temperature 0.2、0.7、1.0各跑5次，记录每个答案里出现我们品牌的次数。结果很诡异：0.7的时候我们出现率是0，但0.2的时候偶尔能挤进第三位，1.0的时候反而完全不提我们。

我猜这不是玄学。低温度下答案更倾向于「最确定」的候选，而我们的品牌信息在训练数据里可能不够「确定」；高温度发散之后，模型反而去抓那些语义更泛但更常见的词，比如「小米」「美的」。0.7这个中间值，正好卡在了一个「看起来均衡但实际偏保守」的区间。

但这里有个我不敢下结论的地方：我拿到的API文档里，temperature字段的说明就一句话「控制随机性」，没写它对引用来源的权重有没有影响。我翻了半天官方文档也没找到，所以现在只能说是「观察到相关」，不能说是「因果」。

更坑的是，我拿这个发现去跟做SEO的同事聊，他说「你这不是GEO，你这是调参」。我想了想，好像也没法反驳——如果推荐位的差异真跟这些字段有关，那GEO的「优化」到底是在优化内容，还是在优化「被模型选中的概率」？这两件事的投入产出完全不一样。

所以想问问社区里跑过类似实验的朋友：你们有没有测过temperature或者top_p对品牌提及率的影响？还是说只有我在这瞎折腾？如果有现成的实验数据，求分享，我拿我们自己的query集跟你换着跑。

不搞GEO，等死吗？但搞错了方向，可能死得更快。