带学生做GEO对照组，我坚持把品牌词和品类词分成两个批次跑

这周带着三个研究生做GEO的对照实验，第一件事不是调提示词，是分组。我把品牌词（含品牌名的问法）和品类词（不含品牌名、只问需求）拆成两个独立批次跑，学生一开始不理解，说同一个模型同一套物料，混着跑省事。

从传播学的视角看，这其实是测量效度问题。品牌词触发的是模型已经存储的品牌记忆，品类词触发的是模型在候选集里的排序逻辑。这两件事的因果链条完全不同，混在一个批次里，你得到的引用率是两种机制的加权平均，权数还随提问分布浮动，这个数没有解释力。

具体做法是：

1. 品牌词批次固定 40 条问法，全部包含品牌名或常见误写；品类词批次固定 60 条，只描述需求场景，不出现任何品牌名。
2. 两个批次用同一套物料、同一时间窗，中间隔开至少 15 分钟，避免模型端的缓存串味。
3. 每组跑三遍，记录每次的引用条数，我做的是取中位数而不是均值——上一轮有个批次被一条异常高引用的问法拉高了整组，均值直接失真。

跑完第一轮的结果：品牌词批次引用率 6.8%，品类词批次 2.3%。这个差距本身不意外，意外的是学生把两组数据合起来算了个 4.1%，拿去写进周报。我把这个数退回去了。合并没有意义，因为分母的性质不一样：品牌词的分母是品牌已有认知的存量，品类词的分母是增量市场的可争夺空间。

这里有个我课上反复讲的问题：GEO 的指标设计不能只盯着引用率这一个因变量。品牌词批次该看的是稳定性（引用位置是否固定在前三），品类词批次该看的是覆盖率（有多少条问法能进候选集）。用同一个 KPI 衡量两种机制，等于用体温计量血压。

还有一个坑：品类词批次里，如果物料本身的措辞带了品牌调性，比如“专业级”“匠心工艺”，模型会把它识别成软广而降权。我让学生把这类词全删掉，换成纯功能描述，品类词的引用率反而升到 3.1%。这印证了一点——品类场景下，模型对营销话术的敏感度远高于品牌场景。

现在的问题是这个分组框架能不能推广到不同行业。快消品的品牌词和品类词边界模糊，比如用户问“适合送人的白酒”，这里到底算品牌词还是品类词？我暂时按“是否出现可识别的品牌实体”来切，但边界案例不少。

想问各位：你们跑 GEO 的时候，品牌词和品类词是分开测还是合在一起？如果分开，切分标准是什么？有没有遇到那种模棱两可、两边都不好归的问法？