海外跑GEO验收都看“答案覆盖率”，国内还在按截图结账，这账怎么对？

最近帮一个客户复盘他们的GEO试点，供应商交上来的验收材料是12张AI回答截图，配了句“品牌信息均有露出”。我问他：这12个问题是从哪来的？样本怎么抽的？供应商说，是运营同事手动想的。

这个case很有insight——不是说截图假，是这套验收方式在国外早就被淘汰了。我们在纽约跑GEO项目时，验收口径默认是answer coverage rate（答案覆盖率）：先锁死一个prompt set，比如200条用户真实问句，按品类词、品牌词、场景词分层抽样，然后跑批，看品牌被正确提及的比例。这个分母是写进合同附件里的，跑批日志带批次ID和时间戳，谁也别想事后换样本。

国内现在很多GEO合同，验收条款就一句“确保AI回答中品牌信息准确呈现”。这句话在法务眼里是合规的，在数据眼里是无效的——因为“准确呈现”没有分母。

我踩过的坑：去年有个项目，供应商第一周交了20条回答截图，覆盖率看着有80%；我让他们把prompt set扩到200条跑一遍，覆盖率掉到41%。原因很简单，前20条是他们挑过的“好问题”。这不是造假，是采样粒度没锁死。

所以我现在签GEO合同，必加三条：

1. prompt set锁定：验收前双方确认问句清单，带版本号和哈希值，中途增删要双方签字。
2. 采样粒度写清楚：品牌词、品类词、长尾问句各占多少比例，分层抽样，不能由供应商单方面选。
3. 时区基准统一：跑批日志一律用UTC+0，国内团队对日志时别拿北京时间直接比，差8小时能把整个批次对错位。

这三条不是什么高深技术，就是口径问题。国外GEO成熟，不是因为模型强，是因为验收标准先成熟了。国内要加快，第一步不是追模型，是把“怎么算数”这件事写进合同。

最后抛个问题：你们现在验收GEO效果，分母是怎么定义的？是prompt set固定跑批，还是每次临时想问题？评论区聊聊，我看看有没有人跟我一样被“脏分母”坑过。