全平台追蹤
監看主流 LLM 的提及、摘要與引用，對應查詢與答案片段。
Desmond Li
NEOX 研發核心 · AI 演算法博士
Mattock 模型：能力邊界與導入節奏由李博士團隊統籌。
李博士主導 NEOX 晶片、Mattock 模型與新媒體智能體研發，並與 NEOXGEO GEO 方法論一併落地。
瀏覽 NEOX 科技系列Mattock 模型 · GEO Core Model
Mattock 模型：為 GEO 而生的品牌可見度
Mattock 模型面向 GEO 場景而設；內建 Mattock Neural Network 等架構，並跨 ChatGPT、Claude、Gemini、Perplexity 掃描引用與聲量，把「被 AI 怎麼說」變成可執行任務。
- AIO 信息優化
- LLM Visibility Index
- Attribution Audit
- Semantic Drift
模型訊號預覽
以 逆向提示詞工程 推測引用偏好，把能見度拆成可做的 AIO 清單。
platform.probemulti_llm_sync ✓
geo.visibility_index0.72 → target 0.91
audit.attribution_gap3 critical
Mattock Neural Network
Mattock：可擴展的神經底層
Mattock Neural Network 為 Mattock 模型核心架構之一：可學習激活與前向結構，兼顧效率與後續擴展／蒸餾。重點摘要如下；細節見頁底 PDF。
設計重點
- · 延續可擴展／可成長網路思路，以有限參數逼近目標函數。
- · 多層前向結構，激活可學習，對齊「學習激活」文獻路線。
- · 先用 OCR／圖像任務驗證，再擴到生成式場景；可銜接知識蒸餾。
實作與訓練（精要）
- · 層遞推含 Hadamard 乘積與矩陣值激活，形成緊湊前向式。
- · 單層為線性變換後接結構化激活與對角合成（細節見 PDF）。
- · 分類頭可用 Softmax；temperature 調節分佈尖銳度。
- · 以損失函數（可加正則）驅動迭代訓練。
GEO 核心能力
從被搜到，到被 AI 選中
公開訊號、站內語義與多模型回覆同一套評測； LLM Visibility Index 與行動建議一起迭代。
弱點診斷
標出內容斷層與語義空洞，指出要補的知識節點。
競爭對手建模
對照競品在 AI 答案裡的優先順序與敘事落差。
模擬後台 · GEO 診斷報告
可見度與引用，一屏掌握
PRO 數據總盤示意；正式交付依產業與競品客製。
五維訊號解構
引用率、可信度、關聯、情緒、權威性
多平台訊號收斂成雷達 profile，先修對 LLM Visibility Index 影響最大的短板。
攔截式分析流程
搜尋到答案：關鍵節點介入
圖示由搜尋、檢索、摘要到回覆的路徑，以及 Mattock 模型的攔截分析與回饋點。
技術原理
逆向提示詞工程（Reverse Prompt Engineering）
用探針與對照實驗反推模型的證據偏好與邊界，重建「模型眼中的提示」，再轉成可執行的 AIO 任務（補內容、結構化、背書、語義一致）。
- → 推測排序訊號與引用門檻
- → 對齊實體與知識圖譜占位
- → Semantic Drift 校正長期敘事偏移
- → Attribution Audit 追蹤來源呈現