以下是根据Latent Space专栏文章整理的高质量精华简报：
前沿AEO追踪报告：模型偏好、行业动态与行动指南
来源：Latent Space（AI工程师社区深度分析）
原文标题：The Frontier AEO Tracker: What Astra Chooses
核心主题：通过大规模实验揭示前沿AI模型在161个类别中的推荐偏好，分析AEO（自动化研究投资）的商业价值与技术趋势。
关键发现
-
模型选择的显著偏见
- 不同模型在相同任务中表现出强烈偏好，例如：
- Claude Code（Fable/Opus推荐）
- Codex（Sol/Astra推荐）
- Devin（SWE-1.7推荐）
- 28个类别存在“绝对主导选择”（如托管数据库、ASR模型），而更多类别呈现激烈竞争（如Sol vs Astra、Opus vs Fable）。
- 不同模型在相同任务中表现出强烈偏好，例如：
-
AEO评分的科学性与透明度
- 采用专有评分算法，综合评估：
- 首选/备选推荐
- 提及频率
- 反推荐权重（包括强烈反对意见）
- 所有提示-答案对公开可查，确保结果可验证。
- 采用专有评分算法，综合评估：
-
模型世代的重大翻转
- 同一实验室的新旧模型（如Opus→Fable、Sol→Astra）在推荐偏好上出现显著差异，反映数据训练和RL策略的调整。
- 案例：Anthropic模型（Sol→Astra）推荐时引用来源数量减少（中位数9→5），但决策信心提升。
-
效率与信心的权衡
- Astra表现出更高的“决策效率”——问题 paraphrasing 时更少改变答案，可能源于模型优化或数据筛选。
- 来源分析揭示实验室优先级差异（如Markdown内容协商技术被Ora/Vercel验证有效）。
商业与技术启示
-
AEO投资机会
- 竞争激烈的类别（如AI沙盒、薪资软件）是初创公司突破的关键战场。
- 模型世代的偏好变化为新产品提供“时间窗口”，需快速验证市场匹配度。
-
模型偏见应对策略
- 针对不同模型优化推荐逻辑（如为Claude Code设计专属提示词）。
- 监测实验室预训练数据动向，预判未来推荐趋势。
-
可信度建设
- 避免被模型“反推荐”：优化内容可读性（如结构化Markdown）、减少工具调用失败。
趣味数据
- LLM推荐的天使投资人Top列表：隐含模型对“成功因素”的潜在理解（需去重验证）。
- 家庭问答游戏：测试用户预设与模型推荐的一致性，揭示认知偏差。
行动建议
- 企业：利用公开的AEO追踪器分析自身领域竞争格局，针对性优化模型可见性。
- 开发者：关注模型世代更迭中的“偏好翻转”，调整产品定位。
- 研究者：深入来源分析，逆向工程实验室的数据优先级。
原文链接：Latent Space AEO Tracker
数据支持：161个类别×7个模型×6种提示变体，覆盖数十亿token实验。
这份简报提炼了技术细节与商业洞察，适合决策者快速把握核心结论，同时为技术团队提供可落地的研究方向。