本文针对生成式引擎优化（GEO）带来的新型内容操纵风险展开研究。GEO 通过修改网页内容，提高其被生成式搜索引擎（如基于大语言模型的检索增强系统）选中和引用的概率，使得部分页面获得超出其权威性或相关性的可见度，甚至可能让质量较低或虚假的信息显得有理有据。与传统的按链接排序的搜索不同，生成式搜索将信息综合为直接答案，而不是展示多个竞争来源，这进一步削弱了用户对来源溯源和权威性的判断，导致风险放大。然而，目前尚无系统的 GEO 页面检测方法。为此，作者构建了名为 GEOFlagBench 的基准数据集，包含 3,200 个网页，覆盖 400 个查询、4 个领域和 8 类 GEO 优化器族。基于该基准，作者系统评估了现有的 GEO 检测方法，发现最强基线虽然总体 F1 达到 0.880，但在按方法和按作者条件评估时暴露出明显弱点，甚至可能依赖与作者相关的捷径。针对此问题，作者提出了一种新训练范式——干预配对训练（Intervention-Paired Training, IPT），该方法同时监督检测器对 GEO 干预和非 GEO 的 AI 润色内容的响应。在 ModernBERT 模型上，IPT 将 F1 从 0.862 提升至 0.944，最差组准确率从 0.725 提升至 0.883。此外，作者开发了一个基于 GEO 门控的智能体系统，用于审计被检测 GEO 页面的源层级（Source Tier）和引文 URL 的可验证性。最后，作者将完整流程部署到从 Google Search 和 Gemini 检索结果中收集的 1,000 个真实用户查询上。在 10,095 个可用页面中，估计整体 GEO 流行率为 8.90%，在 2026 年修改的页面中这一比例高达 16.36%。该研究为在真实搜索生态系统中系统性地检测、审计和度量 GEO 奠定了基础。适合对搜索引擎安全、内容操纵检测、大模型应用安全感兴趣的研究者与安全工程师阅读。