💡Специфичность как сигнал цитирования LLM

💡Специфичность как сигнал цитирования LLM

Третьего дня на SEJ вышла интересная статья, где обсуждается специфичность (конкретность) текста для попадания в цитироваие LLM.

Автор написал несколько длинных, узкоспециализированных статей около года назад, не ожидая большой аудитории - тексты были специально сфокусированы на очень конкретной, сужённой теме, без отступлений. Спустя год он заметил, что Клавдия (Claude AI) воспроизводит содержание этих статей в ответах, иногда даже прямо ссылаясь на его посты. Его формулировка:

Если ты пишешь insightful (содержательный) пост на достаточно специфичную тему, и на него ссылаются, у тебя реальный шанс влиять на вывод всех LLM спустя год или около того

Второй пользователь, Tyler, подтвердил похожий эффект на контенте, который сам называет "не особо содержательным, просто специфичным" - и увидел его использование в LLM-ответах примерно за 6 месяцев.

Таким образом, специфичность явно отделена от "глубины" контента. Самое важное утверждение самого автора наблюдения: "being specific by itself is enough" (специфичность сама по себе достаточна). То есть:

Это не то же самое, что "глубокая" или "экспертная" статья

Insightfulness (содержательность) и specificity (специфичность) - два разных, разделимых свойства текста

Tyler явно указывает, что его контент не был особо insightful - но был специфичным, и этого хватило для попадания в LLM-выдачу

Полез почитать исследования - оказывается это давным-давно известно. Так например, работа Su, Ren & Veitch (2606.30625) математически показывает: эмбеддинги в LLM кодируют обратную специфичность. Чем уже и конкретнее тема текста, тем меньше стохастический шум при обучении модели. Узкий текст занимает более точную позицию в семантическом пространстве и имеет более высокую вероятность быть извлечённым и процитированным.

Ну и много других исследований на эту тему.

Еще одна прикольная штука вылезла. Можно буквально "перевернуть" модель обучения всяческих LLM.

Вот смотрите (очень прикольно):

LLM имеют чёткую иерархию предпочтений источников (government > newspaper > person > social media). Однако, повышая специфичность контента мы можем вкрячить в модель "эффект иллюзорной правды". По сути это означает, что крайне специфичный контент не просто цитируется а формирует ответы модели. Мы получаем не трафик, но получаем влияние на то, что модель говорит пользователям.

Экономическая ценность этого низка, но факт влияния - измеримый и достоверный.

Не буду рассказывать как повышать специфичность контента - вы и сами это знаете.

Хотя самый простой прием - не писать "Как увеличить продажи в интернет-магазине" (слишком широко, размытое семантическое позиционирование). Но ежели написать статейку, например, "Как увеличить конверсию корзины на 12% с помощью микро-копирайтинга в карточке товара для косметического бренда с чеком >3000 руб", то явно специфичность такого контента вырастет. Каждый элемент в этой формулировке уменьшает семантический шум и LLM знает (через эмбеддинг-норму), что этот текст про что-то конкретное.

Тестируйте...

PS

ежели вы напишите 100500 узких (специфичных) статей, то их можно будет объединить в Коконец. А это уже будет совершенно другая история для ранжирования )))

Вот в прошлом году писал про коконцы 2.0. серию постов (читайте заподряд). Кстати, я сейчас использую уже 5 генерацию модели коконцев.

🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

Источник новости https://t.me/drmaxseo/1629...