SIO-STD-2026 标准版 · 2026-10-26 发布

SIO超级智能优化实验室 Super Intelligence Optimization Lab 获取白皮书

STDSIO Metrics/ 第六章

超级智能优化量化评估标准

行业内长期存在「无标准、无数据、无量化、无验收」的交付乱象。SIO建立四项可检测、可复现、可验收的核心指标，统一抽样口径与计算方式，使优化效果成为可被第三方复核的事实，而非主观描述。

标准代号SIO-STD-2026 指标数量 4 更新 2026-10 状态 正式发布

01 Indicators / 指标总览

四项指标，构成完整的验收闭环

准确率衡量「AI说得对不对」，引用率衡量「AI认不认你的官网」，资产指数衡量「基建厚度」，信任分衡量「综合权重」。四者从结果到基础层层递进。

表 1 ·SIO Metrics指标定义与计算方法
指标 指标定义 计算方法 核心价值
AI回答准确率
M-01		 大模型输出品牌核心相关信息时，完全匹配企业自述事实口径的占比。 筛选 100 条品牌核心事实类标准问题，在主流大模型批量提问，统计完全贴合官网官方口径、无偏差、无虚构、无过时的回答数量，计算占比。 直接衡量品牌AI认知精准度、幻觉治理效果、信息统一度。
官网官方引用率
M-02		 AI生成品牌相关答案中，明确溯源、采信、指向企业官网信源的比例。 随机抽取 50 条品牌高热度问答，统计AI答案中标注官网来源、优先采信官网内容、以官网为唯一依据的样本占比。 衡量企业官方信源在智能体系中的可信优先级与溯源权重。
品牌数字资产指数
M-03		 企业知识图谱完整度、页面结构化程度、FAQ 标准化率、实体匹配度的综合评分。 多维度加权计分：知识完整度 40% + 结构化合规度 30% + 问答标准化 20% + 实体精准度 10%，满分 100 分。 量化企业AI时代核心数字资产厚度、基建完善度、长期竞争力。
AITrust Score
M-04		 超级智能与大模型对企业官方阵地的综合信任评级分数。 由信息唯一性、内容一致性、结构化合规度、历史采信频次、无噪音信息度五大维度加权生成。 企业 SI 超级智能时代的核心流量权重标尺。

说明：SIO Metrics为本实验室公开的一套量化指标体系，可供参考使用；拟据此开发官网AI健康度检测工具（开发中，上线时间与功能范围以正式公告为准），便于方法推广。

指标边界。SEO以排名与点击衡量，GEO以曝光量与内容覆盖衡量，SIO Metrics以回答准确率与官网引用率衡量AI认知采信——三层指标口径不同，不可互相替代，也不宜混算成一个总分。

02 Method / 计算细则

抽样纪律与计分规则

指标之所以可验收，在于样本固定、口径公开、结论可复算。以下为四项指标的测量纪律。

M-01

AI回答准确率

样本集为品牌核心事实类问题，覆盖品牌身份、产品参数、服务范围、资质荣誉、价格与售后政策等类别，共100条，样本集在测量周期内冻结不变。

判定标准为「完全匹配」：与官网官方口径逐项一致，无偏差、无虚构、无过时信息。部分正确、方向正确但细节错误均不计入正确样本。

输出准确率百分比 + 错误样本清单（含错误类型归类）
M-02

官网官方引用率

样本取品牌高热度问答50条，来自真实用户搜索与咨询场景，按意图类型分层抽样，避免同质化提问抬高或压低结果。

判定标准分三档记录：标注官网来源、优先采信官网内容、以官网为唯一依据。三档均计入引用率分子，同时分层呈现以便定位信源等级。

输出引用率百分比 + 信源等级分布
M-03

品牌数字资产指数

四个子项分别独立评分后加权合成百分制总分。知识图谱完整度考察实体覆盖与关系完备性；结构化合规度考察语义标记覆盖率与层级规范性；问答标准化考察 FAQ 覆盖广度与答案一致性；实体精准度考察实体属性与模型识别结果的匹配度。

  • 知识图谱完整度40%
  • 结构化合规度30%
  • 问答标准化率20%
  • 实体精准度10%
M-04

AITrust Score

由五个维度加权生成，反映官方阵地在智能体系中的综合信任水平。分数用于纵向比较自身优化前后的变化，横向比较同行业样本的相对位置。

  • 信息唯一性：同一事实是否存在多个互相冲突的版本
  • 内容一致性：站内页面与站外可溯源渠道的表述是否统一
  • 结构化合规度：语义标记、标题层级、实体声明是否规范
  • 历史采信频次：模型引用与溯源至官网的历史记录
  • 无噪音信息度：低权重、非结构化泛内容的占比

关于分级阈值。白皮书未规定固定的分数分级线。SIO Metrics的分数意义建立在基线比较之上：同一主体优化前后的差值、以及同一行业样本内的相对位置。实验室按季度发布行业基线参考值，用于解释绝对分值的实际含义。

03 Self-Assessment / 自评

官网SIO成熟度自评

八项基础检查，对应「基建确权」与「图谱搭建」两个阶段的必要动作。结果仅作方向性判断，不替代正式审计测量。

01官网是否全站部署 Schema.org / JSON-LD 结构化标记？
02品牌核心事实（名称、产品、资质、联系方式）是否存在全网多版本冲突？
03官网内容是否已按AI可读方式碎片化拆分（问答、参数表、步骤说明）？
04是否建有标准化的官方 FAQ 知识库？
05是否定期抽检主流大模型对本品牌的问答准确性？
06是否有明确的主正本信源声明与实体消歧机制？
07新增产品、资质、案例是否在短期内同步入库官网？
08AI生成的品牌答案中，能否看到对官网的明确引用？
共 8 项 · 满分 100

如何解读结果

自评的价值不在分数本身，而在暴露缺失项。任何一项得 0 分，都意味着该项对应的AI认知环节缺少基础设施，会在正式审计中放大为可观测的错误率与偏差。

正式测量不可省略。自评是主观判断，SIO Metrics要求的是可复现的客观样本：100 条事实问题在主流大模型的实际输出，50 条高热度问答的实际引用情况。缺少基线，优化前后的对比就无从成立。

04 Compliance / 使用规范

指标引用与交付规范

规则 01

样本冻结

同一优化周期内，样本问题集、提问模型版本、提问时间窗口必须固定并留档。更换样本需重新建立基线，不得与旧基线直接比较。

规则 02

过程可复算

交付须附原始问答记录、截图或日志编号，使第三方可独立复算数值。仅给结论数值、不提供样本明细的报告不构成SIO验收。

规则 03

表述克制

不得将单一指标包装为整体结论，不得以未公开方法的自造指标替代本体系四项指标，不得承诺分数上限或排名结果。