该论文关注大型语言模型（LLM）在依赖检索工具获取最新信息时面临的新攻击面：攻击者可通过操纵检索文档来影响模型输出。随着生成式引擎优化（Generative Engine Optimization）的发展，特定内容更易被检索、引用和采纳，放大了这一风险。现有的事实验证基准和评估框架缺乏受控的证据环境，无法评估模型对地理风格（GEO）投毒的鲁棒性。为此，作者提出了GPE，包含一个多领域的事实验证基准和一个评估框架，能够控制证据来源和投毒比例。实验在多种验证方法和投毒攻击下进行，结果表明GPE能够揭示仅通过干净评估无法观察到的鲁棒性下降和效率权衡，证实了在对抗性证据环境下评估事实验证的必要性。该研究为LLM安全评估提供了新的视角和方法。