"Основные источники информации, использованные в поиске:
• Labrador: 88.1%
• Bright: 9.9%
• Oxylabs: 1.7%
• SERP: 0.3%
...
• Как правило, Labrador возвращает меньшие по размеру и более целенаправленные наборы данных.
• Bright извлекает больше URL-адресов, больше цитирований и охватывает более широкий спектр доменов.
• Oxylabs встречается относительно редко, но демонстрирует сравнительно разнообразный выбор доменов.
...
• Поисковая выдача (SERP) появляется редко и тесно связана с новостными запросами.
...
Названия источников поиска, такие как Labrador, Bright, Oxylabs и SERP, по-видимому, представляют собой источники поиска, а не поисковые системы конечных пользователей. Их точная роль в архитектуре поиска OpenAI публично не задокументирована.
...
Для небольшого теста можно рассмотреть несколько довольно значимых реализаций.
• Источник поиска должен стать еще одним параметром, регистрируемым в ходе исследований видимости ИИ, везде, где это позволяет телеметрия. Игнорирование источника поиска чревато тем, что существенно различающиеся процессы поиска будут рассматриваться как идентичные.
• Оптимизация для ChatGPT отличается от оптимизации для других чат-ботов — это мы уже знали — но мы вводим еще один элемент оптимизации (или, по крайней мере,) понимания различных источников поиска внутри инструмента. Как мы можем оптимизировать их?
• Возможно, существуют еще более существенные различия между отслеживанием незарегистрированных пользователей бесплатных версий ChatGPT и пользователей, зарегистрированных и/или оплативших подписку."
Post #5306
461
Буржуйский сеошник Крис Грин немного покопался под капотом ChatGPT:
Substack What can we learn from ChatGPT Search Sources? Can we learn/infer anything about the prompt/inner workings of ChatGPT’s search when sources change?