GEO: Generative Engine Optimization Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., Deshpande, A. (2023). arXiv preprint (KDD 2024). arXiv 提出 GEO（生成式引擎优化）概念，并证明面向引用的内容调整能提升生成式引擎中的可见度。
Evaluating Verifiability in Generative Search Engines Liu, N. F., Zhang, T., Liang, P. (2023). arXiv preprint. arXiv 研究表明生成式搜索的回答经常缺少引用、甚至与自身来源矛盾——这正是必须做证据与引用校验的原因。
Lost in the Middle: How Language Models Use Long Contexts Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., Liang, P. (2023). arXiv preprint (TACL 2024). arXiv 证明模型对长上下文中部信息的利用较差——支持「chunk 分块、关键事实前置」的做法。
Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S., Kiela, D. (2020). NeurIPS 2020. arXiv RAG 的基础论文：检索 + 生成，正是「内容可被检索」决定 AI 能否正确回答的原因。
Retrieval-Augmented Generation for Large Language Models: A Survey Gao, Y., Xiong, Y., Gao, X., Jia, K., Pan, J., Bi, Y., Dai, Y., Sun, J., Wang, H. (2023). arXiv preprint. arXiv 系统梳理 RAG 架构与 chunk/检索权衡——对「为检索而组织内容」有直接参考价值。
WebGPT: Browser-assisted question-answering with human feedback Nakano, R., Hilton, J., Balaji, S., Wu, J., Ouyang, L., Kim, C., Hesse, C., Jain, S., Kosaraju, V., Saunders, W., Jiang, X., Cobbe, K., Ziegler, D., Myers, J., Plappert, T., Zaremba, W., Schulman, J., Hilton, J. (2021). arXiv preprint. arXiv 早期「浏览器增强问答」研究：模型会读取并引用网页，说明页面可读性与引用为何重要。