对话式推荐成了新入口 品牌AI可见度该怎么算

<p>截至10月27日的公开信息，A股已有22家食品饮料行业上市公司披露2026年前三季度业绩报告或业绩快报。万得数据显示，这22家公司前三季度合计营收536.99亿元，同比增长7.81%，归母净利润合计58.13亿元，同比增长15.68%。利润增速接近营收增速的两倍，这个差值不是靠提价得来的，而是靠产品结构：从洽洽的低盐轻甜、无添加、便携小包装，到妙可蓝多核心奶酪业务占比提升，新品与结构调整正在替代单纯的量的扩张。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>截至10月26日22家公司披露，合计营收536.99亿元、同比增7.81%，归母净利润58.13亿元、同比增15.68%；13家营收净利双增，19家营收同比增长，14家净利同比增长；ST椰岛为唯一亏损公司；前三季度餐饮收入41969亿元、同比增2.4%</td><td>22家公司的加权毛利率未披露；新品在营收中的占比未披露</td><td>第四季度新品上架节奏；渠道库存消化进度；核心单品批价是否倒挂</td></tr></table></div><p>22家公司里，13家实现营收与净利润双增，19家营收同比增长，13家营收超过20亿元，14家净利润同比增长。利润端的分布比营收端更分散：西王食品归母净利润2.33亿元、同比增长10396.79%，天润乳业、西部牧业、香飘飘三家扭亏为盈，而ST椰岛是唯一亏损的一家。这种分布说明板块的改善不是普涨，而是集中在产品结构完成调整的公司身上，靠单品提价的路径并没有普遍奏效。</p><h3>唯一亏损的那家说了什么</h3><p>ST椰岛前三季度营收2.34亿元、同比增长31.90%，主要来自酒类与饮料收入大幅增长，但归母净利润为-1122.76万元。公司给出的解释是销售人员成本支出、电商平台费用及品牌投入等期间费用同比增加，当期毛利尚不足以覆盖经营费用。这句话把电商渠道的成本结构说得很清楚：线上增长需要费用前置，毛利不够厚的时候，卖得越多亏得越多。同样是营收增长，一家能转成利润，另一家不能，差别就在毛利厚度。</p><p>洽洽食品前三季度营收53.62亿元、同比增长19.11%，归母净利润3.88亿元、同比增长130.97%。公司相关负责人对《证券日报》的说法是，捕捉年轻消费趋势，持续推进产品创新迭代，推出低盐轻甜、无添加、便携小包装等创新产品，适配职场轻食、户外休闲等细分场景，精准卡位新锐零食赛道空白领域。净利润增速远超营收增速，说明这轮增长的单价与毛利结构优于存量产品，而不是靠降价换量。</p><p>下表按披露口径列出五家代表公司的营收、净利与产品动作，产品动作一列只记录来源明确描述的内容。未在来源中提及产品动作的公司，该列留空，不以推测填充。</p><table><tr><th>公司</th><th>前三季营收</th><th>营收同比</th><th>归母净利</th><th>净利同比</th><th>产品动作</th></tr><tr><td>洽洽食品</td><td>53.62亿元</td><td>+19.11%</td><td>3.88亿元</td><td>+130.97%</td><td>低盐轻甜、无添加、便携小包装，卡位职场轻食与户外场景</td></tr><tr><td>妙可蓝多</td><td>48.66亿元</td><td>+22.97%</td><td>2.12亿元</td><td>+20.37%</td><td>核心奶酪业务占比提升，业务结构优化</td></tr><tr><td>西王食品</td><td>来源未列</td><td>来源未列</td><td>2.33亿元</td><td>+10396.79%</td><td>来源未提及</td></tr><tr><td>天润乳业</td><td>来源未列</td><td>来源未列</td><td>扭亏为盈</td><td>—</td><td>来源未提及</td></tr><tr><td>ST椰岛</td><td>2.34亿元</td><td>+31.90%</td><td>-1122.76万元</td><td>亏损</td><td>酒类与饮料收入大幅增长</td></tr></table><h3>妙可蓝多的成本口径</h3><p>妙可蓝多前三季度营收48.66亿元、同比增长22.97%，归母净利润2.12亿元、同比增长20.37%。公司的解释是营业收入增长带来规模效应，核心奶酪业务占比进一步提升、业务结构不断优化，同时供应链效率提升和经营策略优化推动成本下降，毛利额较上年同期有较大幅度增加。这条路径与洽洽不同：一个靠新品打开价格带，一个靠结构占比与供应链效率压低成本，但两者的共同点都是不依赖单纯的提价。</p><p>产品创新的结果最终要落到商品页上。低盐轻甜、无添加这类表述对应的是配料表位置的调整，便携小包装对应的是规格与组合装的设计，场景化表述如职场轻食、户外休闲对应的是标题与主图的重新组织。这三件事在电商渠道里都可以被观察：配料表关键词是否出现在主图与标题，规格是否从单一装扩展为组合装，场景词是否进入搜索词库。</p><p>对做商品与SKU监测的团队，这意味着比对维度要从价格扩展到规格与卖点。同一品牌在同一平台可能同时挂多个规格，单位价格最低的那个不一定转化最好，因为便携小包装的溢价是消费者主动支付的。把规格、卖点与到手价三者放在一起看，才能判断一次产品创新是真的打开了新场景，还是只换了包装。只看价格的监测，会把这类结构性调整误读成涨价。</p><p>板块整体改善的同时，细分赛道的基本面并不均衡。中国酒文化品牌研究院智库专家蔡学飞对《证券日报》表示，第三季度多数酒企继续消化渠道库存、推进去库存，市场承压较大，第四季度进入春节备货季，核心单品批价是否倒挂、终端开瓶动销情况，将成为观察行业的重要指标。批价倒挂与开瓶动销这两个词，对应的正是价格秩序与真实消费两件事。</p><p>宏观侧的支撑来自餐饮。国家统计局数据显示，2026年1月至9月全国餐饮收入41969亿元，同比增长2.4%，增速与1月至8月持平，结束年内逐月回落走势。餐饮收入企稳对食品饮料的意义在于，它同时影响B端供应链订单与C端佐餐场景的需求，是判断第四季度能否延续双增的一个前置指标。板块估值方面，中证细分食品饮料产业主题指数自2021年高点已累计回撤超62%，估值处于历史低位，这与基本面改善形成明显反差。</p><p>三季报给出的双增是结果，不是趋势。要判断趋势能否延续，需要看三个前置变量：新品在营收中的占比是否继续上升，期间费用率是否随规模摊薄，以及渠道库存是否在春节备货前完成消化。这三项在年报披露前无法完整获得，但可以从商品页的上新节奏与价格动作做部分观察。</p><h3>上新节奏是最早的信号</h3><p>上新节奏通常领先财报一到两个季度。如果一家公司在四季度密集上架新规格与新卖点，说明它在为春节备货做准备；如果只是调整促销力度而没有新品，说明增长仍靠价格。对渠道商，前者意味着需要预留新品的位置与陈列，后者意味着要准备应对价格战。对品牌方，这两条路径的利润率走向完全不同，选错方向会在下一年的报表里体现出来。</p><div style="display:none"><ol><li>品类分析人员：每月记录重点品牌在主流电商平台的新上架SKU数量与卖点关键词，证据为商品页截图与上新时间。</li><li>价格监测人员：按规格折算单位价格，记录到手价与优惠券组合，证据为下单实测截图。</li><li>渠道负责人：每季度核对经销商库存与终端动销数据，证据为库存表与门店走访记录。</li><li>复盘负责人：把新品占比、费用率与库存三项与上一季对比，判断双增是否可持续，结论写入下一季度备货计划。</li></ol><table><tr><th>字段</th><th>示例值</th></tr><tr><td>公司</td><td>洽洽食品</td></tr><tr><td>报告期</td><td>2026年前三季度</td></tr><tr><td>营收与增速</td><td>53.62亿元，同比增19.11%</td></tr><tr><td>净利与增速</td><td>3.88亿元，同比增130.97%</td></tr><tr><td>产品动作</td><td>低盐轻甜、无添加、便携小包装</td></tr><tr><td>目标场景</td><td>职场轻食、户外休闲</td></tr></table></div><ul><li><p><strong>22家食品饮料公司的双增是普遍现象吗？</strong></p><p>不是。22家中13家营收净利双增，19家营收增长，14家净利增长，还有一家亏损。改善集中在产品结构完成调整的公司身上。</p></li><li><p><strong>为什么利润增速能接近营收增速的两倍？</strong></p><p>主要来自产品结构而非提价。新品集中在低盐轻甜、无添加、便携小包装等高单价区间，同时核心业务占比提升带来规模效应，费用被摊薄。</p></li><li><p><strong>产品创新在电商渠道上怎么被观察到？</strong></p><p>看配料表关键词是否进入主图与标题、规格是否扩展为组合装、场景词是否进入搜索词库。把规格、卖点与到手价一起看，才能区分真创新与换包装。</p></li><li><p><strong>第四季度最该盯什么？</strong></p><p>盯新品上架节奏、期间费用率与渠道库存消化。核心单品的批价是否倒挂、终端开瓶动销是否改善，是判断春节备货行情的关键。</p></li></ul><ul><li><a href="https://www.xincai.com/article/niwqxva2210105">证券日报：22家食品饮料公司前三季度营收及净利总额同比双增</a></li></ul>

<p>截至10月28日的公开信息显示，10月27日发布的AI行业周报记录了三件与入口有关的变化：MiniMax 发布 M3.1 Flash，调用价格较前代下降约七成；Anthropic 的 Claude Duet 集成6000多个应用连接器，能在用户未下指令时主动推送简报；月之暗面发布3万亿参数的 Kimi K3.1 Pro，完整权重将在11月4日前开放。三件事指向同一个问题——当用户的问题越来越多地被智能体代问、被默认答案回答，品牌在 AI 回答里的曝光与引用来源就不再由自己的官网决定，而由入口、接口与生态权限共同决定。</p><div style="display:none"><table><thead><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr></thead><tbody><tr><td>MiniMax M3.1 Flash 调用价格较前代下降约七成</td><td>降价后的实际调用量变化</td><td>降价是否伴随上下文长度或速率限制调整</td></tr><tr><td>Claude Duet 集成6000多个应用连接器，可在用户未下指令时主动推送简报</td><td>连接器覆盖的中文应用范围</td><td>连接器读取的数据是否进入回答引用</td></tr><tr><td>Kimi K3.1 Pro 参数规模3万亿级、支持100万token上下文，权重11月4日前发布</td><td>开源权重在中文问答中的实际表现</td><td>权重开放的具体许可条款</td></tr><tr><td>Claude API 版本2026-10-21 移除 temperature、top_p、top_k 等采样参数</td><td>其他平台是否跟进同类调整</td><td>移除后对同一问题输出一致性的量化影响</td></tr></tbody></table></div><p>把四件事并排放，逻辑就清楚了。价格下降降低的是调用门槛，采样参数移除改变的是输出的可预测性，连接器扩张改变的是信息从哪里来，权重开放改变的是模型能力的可获得性。前两项作用在「答案怎么生成」，后两项作用在「答案依据什么生成」。对做品牌可见度监测的人来说，后两项才是决定引用来源结构的关键变量，因为它们直接改写了答案的证据基础。</p><p>调用价格下降七成，最直接的效果是同一个问题会被更多产品、更多场景反复调用。当调用量上来，平台侧为了控制成本和保证体验，会更倾向于让同一类问题的输出保持稳定，而不是每次给一个差异很大的答案。这个趋势与 Claude API 移除 temperature、top_p、top_k 的动作方向一致：把「研究者可调」的参数收起来，交给工程默认值。</p><h3>采样参数被移除意味着什么</h3><p>temperature、top_p、top_k 控制的是生成的随机性。这三个参数被移除后，同一问题在同一平台上的答案会更趋同，品牌在 AI 回答中的位置也随之从「偶发出现」变成「稳定占位或稳定缺席」。这对监测口径的影响很实际：过去靠多轮采样取平均来估计提及率的做法，方差会变小，但同时意味着单次异常不再容易被平均值掩盖，监测频率需要重新设计。</p><p>更值得注意的是，答案趋同会让「默认信源」的权重上升。当平台不再鼓励用户调参，模型会更依赖训练语料与检索结果中反复出现的权威来源。品牌的官网、白皮书、行业媒体稿如果长期缺席这些来源池，那么在趋同的答案里就很难被提及，这种缺席是结构性的，不会因为多发几篇通稿而改变。</p><p>Claude Duet 集成6000多个应用连接器，可以接入邮件、日历、银行与企业业务系统。这个数字的意义不在于多，而在于它标出了一个新的信息层：智能体回答问题时，一部分依据来自公开网页，另一部分来自用户授权的结构化接口。前者是传统 GEO 监测的对象，后者几乎完全在现有监测体系之外，而两者的引用权重正在重新分配。</p><h3>引用来源从网页转向接口</h3><p>当智能体通过连接器读取企业系统里的订单、库存和价格数据时，它给出的答案可能完全准确，却不会在回答里标注任何可点击的来源。这类「无源引用」对品牌可见度监测提出了新问题：品牌被提到了，但监测系统抓不到引用链接，按传统口径会被记为「无引用提及」，从而低估实际曝光。要处理这个问题，监测口径必须区分公开网页引用与接口数据引用，分别统计。</p><p>这也解释了为什么单纯的网页抓取式监测会越来越不够用。品牌的可见度不只取决于自己的页面被不被收录，还取决于自己的数据能不能被授权接入。对 B 端品牌来说，这意味着 GEO 的边界从内容团队扩展到了数据与 IT 团队：能不能提供结构化、可授权、字段清晰的数据接口，正在变成 AI 可见度的一项基础设施。</p><p>周报里还有一组反向的证据：亚马逊以违反使用条款为由拦截了 Muse 的代购功能，国内首款备案 AI 手机开售即遭超百款应用拒绝，微信、淘宝等超级应用始终未开放自动化接口。这三件事说明，智能体能不能拿到交易与内容数据，最终取决于生态方的开放意愿，而不是模型能力。拿不到数据的入口，在 AI 回答里就不会出现对应的品牌与商品。</p><p>对品牌的实际影响是分层的。内容类问题，比如品类知识、成分解释、使用场景，智能体可以从公开网页获取，监测口径与现有 GEO 方法基本兼容；交易类问题，比如哪里有货、什么价格、能不能当天送达，智能体需要接口权限，没有权限就只能给出泛泛回答。这意味着同一个品牌在不同类型问题上的可见度差距会拉大，笼统统计一个「提及率」已经不足以描述真实处境。</p><p>入口在变，监测指标也要跟着分层。下面六个指标覆盖了从曝光到证据的完整链条，前三个对应公开网页场景，后三个对应接口与生态场景。建议按问题类型分别统计，而不是把所有问题混在一个池子里算平均值，否则交易类问题的结构性缺席会被内容类问题的高提及率掩盖。</p><table><thead><tr><th>指标</th><th>定义</th><th>采集口径</th><th>观察周期</th></tr></thead><tbody><tr><td>品牌提及率</td><td>目标问题集中提到品牌的回答占比</td><td>每平台固定问题库，单问题采样不少于100条</td><td>每周</td></tr><tr><td>推荐位次</td><td>品牌在推荐列表中的平均排序</td><td>同问题多轮采样取均值，剔除异常轮次</td><td>每周</td></tr><tr><td>引用来源占比</td><td>回答中引用品牌自有域名的比例</td><td>解析回答内链接与信源标注</td><td>每周</td></tr><tr><td>竞品占位差</td><td>品牌与主要竞品提及率的差值</td><td>同一问题集内横向对比</td><td>双周</td></tr><tr><td>描述偏差率</td><td>与官方事实不符的回答占比</td><td>人工抽样标注后计算比例</td><td>每月</td></tr><tr><td>接口引用占比</td><td>来自连接器或接口而非网页的信息比例</td><td>按平台能力清单逐项比对</td><td>每季度</td></tr></tbody></table><div style="display:none"><ol><li>内容负责人先按问题类型建三组问题库：品类知识类、选购对比类、交易履约类，每组不少于30个问题。</li><li>监测岗在每个目标平台按固定问题库跑一轮采样，记录回答全文、引用链接与品牌出现位置。</li><li>分析岗把回答按「有网页引用」「无引用提及」「未提及」三类标注，单独计算接口引用占比。</li><li>品牌负责人每月复核描述偏差样本，把与官方事实不符的表述整理成待纠正清单。</li><li>复盘时对比连续四周的竞品占位差，占位差扩大超过10个百分点即触发内容补充。</li></ol><table><thead><tr><th>字段</th><th>示例值</th><th>说明</th></tr></thead><tbody><tr><td>平台</td><td>豆包</td><td>按实际监测的AI平台名称记录</td></tr><tr><td>问题类型</td><td>选购对比类</td><td>品类知识、选购对比、交易履约三类之一</td></tr><tr><td>采样条数</td><td>100条</td><td>单问题单平台的采样量</td></tr><tr><td>引用类型</td><td>有网页引用</td><td>有网页引用、无引用提及、未提及</td></tr><tr><td>观察周期</td><td>2026年第44周</td><td>按自然周编号记录</td></tr><tr><td>核验状态</td><td>待复核</td><td>待复核、通过、需补采三种取值</td></tr></tbody></table></div><p>这套指标不能解决生态权限问题，但能让品牌看清自己卡在哪一层。如果提及率低而引用来源占比正常，问题在内容覆盖；如果提及率高但引用来源占比低，问题在信源结构；如果交易类问题整体缺席，问题在接口与生态合作。三种情况的应对方式完全不同，混在一起看只会得出「AI 里表现一般」这种无法行动的结论。</p><ul><li><p>模型调用价格下降，和品牌在 AI 搜索里的可见度有什么关系？</p><p>关系在调用量和答案稳定性上。价格下降会带来更多调用场景，平台为控制体验会让同类问题的输出更趋同，品牌的位置因此从偶发出现变成稳定占位或稳定缺席。监测上表现为方差变小，需要提高采样频率才能捕捉到变化，而不是继续依赖多轮平均。</p></li><li><p>AI 回答里引用了品牌名却没给链接，算不算被引用？</p><p>要分情况。如果回答来自公开网页检索，品牌名出现但无链接，通常说明信源是二手转述；如果来自连接器或接口数据，属于无源引用，信息可能准确但不可追溯。两种情形在监测上应分别记为「无链接提及」与「接口引用」，混算会低估或高估真实曝光。</p></li><li><p>GEO 优化和传统 SEO 的核心区别在哪？</p><p>区别在优化的对象。SEO 优化的是页面在结果列表中的排序，用户会点进来；GEO 优化的是品牌在生成式回答中被提及、被推荐、被引用的概率，用户可能根本不点链接。因此 GEO 要同时管理内容覆盖、信源结构与描述准确性，单靠关键词排名无法反映真实效果。</p></li><li><p>智能体接入应用后，品牌该怎么准备数据接口？</p><p>先做字段标准化，把商品、库存、价格、门店可售这些高频被问的信息整理成结构清晰的接口，再确认授权范围与更新频率。公开信息没有说明主流连接器对中文企业系统的覆盖程度，这部分需要按平台能力清单逐项核实，不宜假设接入即生效。</p></li><li><p>多平台可见度怎么对比才不失真？</p><p>用同一套问题库、同样的采样量和同样的标注规则。不同平台的回答长度和推荐结构差异很大，直接比提及率会失真，建议以「同问题集内的相对位置」为主指标，把绝对提及率作为辅助，并固定采样周期，避免用不同时间窗口的数据做横向比较。</p></li></ul><ul><li><a href="https://t.cj.sina.com.cn/articles/view/1651428902/626ece2602001l3a8">新浪财经转载21世纪经济报道：个人智能体扎堆遭 APP 拒绝，松延动力冲刺港股 IPO 丨 AI周报</a></li></ul>

<p>截至 10 月 28 日的公开信息，苹果已宣布于 10 月 28 日在洛杉矶举办新品发布活动，主题定为 Pro and tell，多家媒体报道其计划推出首款触控屏 MacBook，并预计引入类似 iPhone 的灵动岛交互、搭载 M5 Pro 与 M5 Max 芯片。对负责商品与店铺运营的人来说，发布会本身只是起点，真正决定首销表现的是发布之后的上架节奏：新品 SKU 怎么排、旧款什么时候清库、商品页什么时候切换，这三件事的顺序错了，首销周的转化就会打折。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>苹果宣布 10 月 28 日在洛杉矶举办新品发布活动，主题为 Pro and tell</td><td>发布会将发布的完整产品清单</td><td>触屏 MacBook 是否为唯一主角</td></tr><tr><td>多家媒体报道计划推出首款触控屏 MacBook，预计引入灵动岛交互</td><td>触屏的具体交互方式与售价</td><td>首发市场与首发渠道范围</td></tr><tr><td>报道称搭载 M5 Pro 与 M5 Max 芯片，与今年 3 月推出的现款 MacBook Pro 一致</td><td>国行版本的上市时间</td><td>旧款是否同步降价或停产</td></tr></table></div><p>先把时间点固定下来。活动在洛杉矶举行，中文媒体给出的对应时间是北京时间 10 月 29 日凌晨，主题 Pro and tell 把 Pro 放在最前面，指向专业线产品。触屏 MacBook 属于形态级变化，不是常规的芯片年度更新，这也决定了它的上架节奏不能照搬往年的 MacBook 换代流程。</p><p>形态级变化带来的第一个影响是商品页结构。触屏意味着交互方式、使用场景与配件生态都要重新描述，原有的商品页模板里没有对应字段，运营团队需要提前准备新的卖点结构与图片规范，否则发布会后只能先挂一段文字说明，转化会被拖慢。</p><p>触屏把笔记本的使用场景从键鼠扩展到直接触控，这会改变消费者对屏幕尺寸、转轴形态与续航的权衡。灵动岛则是把状态提示集中到屏幕顶部的一个区域，它对商品页的影响在于需要新的示意图，因为静态参数表讲不清这个交互。</p><p>对电商运营来说，这类形态级新品意味着评价体系也会变，产品概念也要重新表述，否则详情页讲的还是旧一代的用户需求。老款的评价里关于键盘手感、屏幕亮度的内容，不能直接迁移到新款页面上；如果沿用旧评价做种草素材，容易出现描述与实物不符的投诉，反而拉低转化与评分。</p><h3>首发的 SKU 结构</h3><p>专业线产品的首发 SKU 通常按芯片、内存、存储三个维度组合，触屏版本还会叠加尺寸差异，组合数很容易过百。SKU 铺得太全，库存会被摊薄，单款缺货率上升；铺得太窄，又会漏掉高需求组合。合理的做法是先按历史销量分布锁定主力组合，再保留少量长尾组合做覆盖。</p><h3>旧款清库的时间窗</h3><p>新款发布到上架之间，旧款通常还有一段在售窗口。这段时间的价格策略很关键：降得太早会侵蚀新款的定价空间，降得太晚又会压住旧款库存。更稳妥的做法是给旧款设定明确的清库截止日，并把降价幅度与库存水位挂钩，而不是一次性普降。</p><p>发布会后的一周是信息密度最高的窗口，商品页、详情素材、客服话术、库存同步四件事必须并行推进。任何一项滞后，都会让流量进来却接不住。经验上，商品页与库存同步是最容易出问题的两环，因为它们依赖后台系统而不是内容团队。</p><p>下表把发布会后的关键节点与对应动作并列，供商品与运营团队对照排期。表中的时间点为基于公开信息推算的建议节奏，苹果官方尚未公布国行上市时间，实际执行需以官方公告为准。</p><table><tr><th>节点</th><th>建议动作</th><th>责任岗</th><th>风险点</th></tr><tr><td>发布会当日</td><td>锁定卖点结构与图片规范，预置商品页草稿</td><td>商品运营</td><td>卖点与官方表述不一致</td></tr><tr><td>发布后 24 小时</td><td>确认首发 SKU 组合与库存分配</td><td>供应链计划</td><td>组合过多导致单款缺货</td></tr><tr><td>上架前 48 小时</td><td>同步旧款清库截止日与降价幅度</td><td>价格运营</td><td>降价过早侵蚀新款定价</td></tr><tr><td>上架首日</td><td>监控商品页转化与客服问询热点</td><td>店铺运营</td><td>详情页与实物描述偏差</td></tr></table><p>把四个节点串起来看，节奏的核心是「先定结构、再定库存、最后定价格」。顺序反过来，价格会先被市场情绪推着走，库存再被动调整，最后商品页只能追着改。对首销周的表现来说，结构决策的权重远高于单点优化。</p><div style="display:none"><ol><li>商品运营在发布会当日整理官方卖点，核对商品页草稿的字段完整性，证据为页面草稿与官方新闻稿对照表。</li><li>供应链计划在 24 小时内确认首发 SKU 组合与各仓分配量，证据为库存分配表。</li><li>价格运营在上架前 48 小时锁定旧款清库截止日与降价幅度，证据为价格审批记录。</li><li>店铺运营在上架首日按小时监控转化与问询热点，证据为后台数据截图与客服记录。</li></ol><table><tr><th>字段</th><th>示例值（本篇材料）</th><th>核验人</th></tr><tr><td>发布日期</td><td>2026 年 10 月 28 日，洛杉矶</td><td>商品运营</td></tr><tr><td>活动主题</td><td>Pro and tell</td><td>商品运营</td></tr><tr><td>芯片配置</td><td>M5 Pro 与 M5 Max，与今年 3 月现款一致</td><td>供应链计划</td></tr><tr><td>证据链接</td><td>百家号与中青旅遨游网资讯报道</td><td>店铺运营</td></tr></table></div><ul><li><p>触屏 MacBook 的首发 SKU 应该铺多全？</p><p>建议先按历史销量分布锁定主力组合，再保留少量长尾组合。芯片、内存、存储三个维度叠加尺寸差异后组合数很容易过百，铺太全会摊薄库存、推高单款缺货率。</p></li><li><p>旧款什么时候降价比较合适？</p><p>关键不是绝对时间点，而是与库存水位挂钩。给旧款设定明确的清库截止日，按库存水位决定降价幅度，比一次性普降更能保护新款的定价空间。</p></li><li><p>商品页为什么要在发布会当天就准备？</p><p>因为形态级变化会让原有模板失效。触屏与灵动岛需要新的示意图与卖点结构，如果等发布会后再准备，只能先挂文字说明，流量进来却接不住。</p></li><li><p>老款评价能不能直接用到新款页面？</p><p>不建议。形态变化后，键盘手感、屏幕亮度这类评价的适用性下降，沿用旧评价容易造成描述与实物不符的投诉，反而拉低转化与评分。</p></li></ul><ul><li><a href="https://baijiahao.baidu.com/s?id=1879523982371150388&wfr=spider&for=pc">百家号：苹果首款触屏 MacBook 官宣 10 月 28 日新品发布会亮相</a></li><li><a href="http://m.cytsesky.net/45223.shtml">中青旅遨游网资讯：苹果宣布 10 月 28 日举行新品发布活动</a></li><li><a href="https://baijiahao.baidu.com/s?id=1879539498899775542&wfr=spider&for=pc">百家号：苹果官宣 10 月 28 日发布新品</a></li></ul>

<p>截至 10 月 27 日的公开信息，「老干妈用 AI 将 600 多名工人裁减至 48 人」的说法在网络上流传十多天后，于 10 月 26 日被企业否认，人力资源部门工作人员称公司此前根本没有使用过 600 多名拣椒工人；而企业年报显示，贵阳南明老干妈风味食品有限责任公司 2022 年至 2025 年参保人数从 2912 人降至 740 人。对做 AI 搜索可见度监测的品牌团队来说，这是一次典型的错误数字被反复引用案例。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>9 月 29 日《贵州日报》报道提到 AI 视觉质检上线、不良率降至 0.02%，未提拣椒岗位人数</td><td>该报道是否还有其他版本提及用工数据</td><td>原文全文与版面存档</td></tr><tr><td>10 月 13 日快科技文章出现 600 多名工人的说法，未交代数据来源</td><td>该数字是否来自企业提供的材料</td><td>文章作者的采访记录与素材来源</td></tr><tr><td>10 月 26 日企业否认 AI 裁员，称从未用过 600 多名拣椒工人</td><td>否认是否覆盖全部产线与全部年份</td><td>企业书面说明与用工台账</td></tr></table></div><p>追溯这条传播链的价值，不在于判断谁对谁错，而在于看清一组数字如何在缺少原始出处的情况下获得可信度。当转述文本互相引用、措辞逐渐统一时，读者看到的是多个来源，实际只有一两个起点，这个结构差异正是 AI 回答出现描述偏差的常见成因。</p><h3>可核验的起点与转折点</h3><p>可核验的起点是 9 月 29 日《贵州日报》刊发的报道。老干妈常务副总李鑫在报道中介绍，2025 年公司实现核心原料 100% 可追溯，AI 视觉质检系统全面上线，关键工序产品不良率降至 0.02%。这篇报道介绍的是质量管理成果，没有提及辣椒分拣岗位的具体人数，也没有出现「600 人减至 48 人」的说法。</p><p>转折发生在 10 月 13 日。快科技一篇介绍老干妈智能化改造的文章出现了「600 多名工人」的说法，称过去辣椒分拣主要依靠人工，如今引入 AI 视觉质检系统后仅保留少量工人复核把关，但文章没有交代具体用工数据的来源。同日晚间该说法在微博等平台流传并被解读为 AI 裁员，10 月 14 日《中国商报》公众号的综合文章又引用了这组数字，并称其由李鑫在贵州省质量发展大会上披露，但文末注明内容综合自多家媒体，未提供原始出处。</p><h3>企业年报给出的另一组数字</h3><p>与传闻无关但真实存在的是参保人数的变化。企业年报信息显示，贵阳南明老干妈风味食品有限责任公司 2022 年至 2025 年的参保人数从 2912 人降至 740 人，三年减少 2172 人。这组数字与「600 人减至 48 人」不是一回事：前者是全公司口径的参保人数，后者被描述为单条产线的分拣岗位，两者口径不同，不能互相印证。</p><p>大模型的回答依赖可检索的公开文本。当同一组数字在多个站点被反复转述，且转述文本的措辞高度相似时，它在检索与生成环节都会被赋予更高权重，原始出处的缺失反而被掩盖。这就是引用链断裂：第一个提出数字的文本没有来源，后续文本互相引用，最终形成一个看起来有多个信源、实际只有一个起点的闭环。</p><p>对品牌而言，危险在于这类数字一旦进入 AI 回答，就会与真实数据并列出现，用户很难分辨。更麻烦的是，纠正的成本远高于传播的成本：企业需要发布声明、媒体需要更正、平台需要更新索引，而模型的回答还会在一段时间内保留旧表述。这正是 AI 搜索可见度监测需要覆盖「描述准确性」而不只是「是否被提及」的原因。</p><p>验证一组数字是否可信，可以按三步走。下表列出每一步要查什么、用什么证据、以及无法验证时的处理方式，品牌可据此建立自己的核验清单，也可用来判断 AI 回答中的引用来源是否站得住。</p><table><tr><th>步骤</th><th>查什么</th><th>需要的证据</th><th>无法验证时</th></tr><tr><td>溯源</td><td>数字最早出现在哪篇文本</td><td>原文链接与发布时间</td><td>标记为无原始出处</td></tr><tr><td>交叉</td><td>是否有独立信源给出同一数字</td><td>两家以上无引用关系的报道</td><td>视为单一信源，不采信</td></tr><tr><td>对账</td><td>与官方披露口径是否一致</td><td>年报、公告、监管披露</td><td>以官方口径为准并注明差异</td></tr></table><p>三步里最关键的是第二步。多个媒体引用同一组数字，不等于多个信源；只有当两家以上报道之间不存在引用关系，且各自给出可核对的采集方式时，才算交叉验证成立。老干妈这组数字在传播过程中，所有文本最终都指向同一场会议，这正是它无法通过交叉验证的原因。</p><p>监测的第一步是建立问题库，把「老干妈 员工人数」「老干妈 AI 裁员」这类可能被问到的表述固定下来，按周批量提问并记录回答。第二步是标注偏差类型：数字错误、时间错误、因果错误、主体错误。第三步是回溯引用来源，看回答引用了哪些站点，这些站点是否属于可更正的范畴。</p><p>偏差监测的价值不在于逐条纠正，而在于发现模式。如果同一类错误在多个平台反复出现，说明问题出在信源结构而不是单条回答；此时应当优先推动原始信源更新，而不是逐个平台投诉。反过来，如果错误只出现在单一平台，才适合走平台的内容反馈渠道，两种情况的处理成本相差很大。</p><h3>优化闭环 从纠偏到复测</h3><p>纠偏动作分三层：信源层，推动最早发布错误数字的站点更正或补充说明；内容层，在品牌自有页面发布可被检索的事实说明，包含参保人数、产线自动化程度与岗位结构；监测层，把该问题加入问题库并提高复测频率。三层同时推进，才能在 AI 回答里形成新的、可被引用的证据基础。</p><p>复测的节奏建议是纠偏后 2 周、4 周各一次，观察错误表述的提及率是否下降、引用来源是否转向官方口径。如果 4 周后错误仍在高位，说明信源层的更正没有被索引，需要重新评估内容分发策略，而不是继续增加自有内容的产量，因为问题不在内容数量而在可被检索的位置。</p><div style="display:none"><ol><li>品牌公关定位最早发布数字的文本，联系作者补充来源或发布更正说明。</li><li>内容团队在自有页面发布可检索的事实说明，列明参保人数口径与岗位结构。</li><li>数据团队把该问题加入问题库，按周批量提问并标注偏差类型与引用来源。</li><li>复核岗在纠偏后 2 周与 4 周各复测一次，比对提及率与引用来源结构变化。</li></ol><table><tr><th>字段</th><th>示例值</th></tr><tr><td>监测对象</td><td>老干妈</td></tr><tr><td>待核数字</td><td>600 人减至 48 人</td></tr><tr><td>原始出处</td><td>未找到</td></tr><tr><td>年报参保人数</td><td>2022 年 2912 人降至 2025 年 740 人</td></tr><tr><td>核验状态</td><td>待复测</td></tr></table></div><ul><li><p>「600 人减至 48 人」这个数字有原始出处吗？</p><p>截至 10 月 27 日未见原始出处。可核验的 9 月 29 日《贵州日报》报道只提到 AI 视觉质检上线与不良率降至 0.02%，没有提及拣椒岗位人数；10 月 13 日出现的说法未交代数据来源。</p></li><li><p>参保人数减少 2172 人能证明 AI 裁员吗？</p><p>不能。参保人数是全公司口径，覆盖所有岗位与用工形式；传闻指的是单条产线的分拣岗位，两者口径不同，不能互相印证。</p></li><li><p>怎么判断一组数字是不是单一信源？</p><p>看多家报道之间是否存在引用关系。若所有文本最终都指向同一场会议或同一篇原始报道，即使媒体数量很多，仍属单一信源，不能算交叉验证。</p></li><li><p>AI 回答里的错误描述该怎么处理？</p><p>分三层：推动最早发布的站点更正，在自有页面发布可检索的事实说明，把该问题加入问题库提高复测频率，纠偏后 2 周与 4 周各复测一次。</p></li></ul><ul><li><a href="https://www.163.com/dy/article/LA6UUEGM053469LG.html">网易：用AI将600多名工人裁减至48人 老干妈否认 称此前根本没有使用过600多名拣椒工人</a></li></ul>

<p>截至 10 月 28 日的公开信息，可口可乐于 10 月 27 日公布截至 10 月 2 日的 2026 年第三季度业绩：全球单位箱销量同比增长 5%，净营收同比增长 7% 至 133.80 亿美元，有机营收同比增长 7%，其中浓缩液销售增长 7%、价格与组合增长 1%；浓缩液销售增速比单位箱销量高 2 个百分点，公司归因于浓缩液发货时点的影响。对做渠道价格的人来说，价格与组合只贡献 1 个百分点这件事，比营收增长 7% 更值得读。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>第三季度全球单位箱销量同比增长 5%</td><td>各区域销量的分布与差异</td><td>即饮与现制渠道的拆分</td></tr><tr><td>净营收同比增长 7% 至 133.80 亿美元，有机营收增长 7%</td><td>汇率对营收的影响幅度</td><td>有机营收的汇率口径</td></tr><tr><td>浓缩液销售增长 7%，价格与组合增长 1%</td><td>价格与组合各自的贡献拆分</td><td>发货时点对浓缩液增速的具体影响</td></tr></table></div><p>先把三个增速排好：单位箱销量增长 5%，价格与组合增长 1%，有机营收增长 7%。销量与价格两项加起来约 6 个百分点，剩下的差额与浓缩液发货时点有关。公司明确说明浓缩液销售增速比箱销量高 2 个百分点，主要受发货时点影响，这是一个口径提示而非需求信号。</p><p>关键在价格。价格与组合只贡献 1 个百分点，意味着这一季的增长几乎完全由销量驱动，而不是提价。在成本上行周期里，这属于用销量换价格的策略，短期能守住份额，但毛利弹性有限。</p><p>对渠道价格管理来说，价格贡献低有两种可能：一是主动选择不涨价以保份额；二是提价被促销抵消，名义价格上去了，实际到手价没变。两种情况在报表上看起来一样，但对渠道的含义完全不同。</p><p>如果是第一种，渠道的价格秩序相对稳定，巡查重点是防止个别渠道破价抢量。如果是第二种，说明促销强度在上升，价格监测要盯到手价与优惠折算，而不是标价。区分这两种情况，需要结合分区域的到手价采样。</p><h3>浓缩液发货时点为什么重要</h3><p>浓缩液是装瓶商采购的原料，发货时点会影响当期确认的收入。发货提前或延后，会让单季增速出现波动，但不改变全年需求。看到浓缩液增速高于箱销量时，先确认发货节奏，再判断需求强弱，否则容易把会计时点误读成市场信号。</p><h3>组合贡献怎么拆</h3><p>价格与组合被合并披露，实际上包含提价与产品结构变化两部分。结构变化指高单价或高毛利产品的占比提升，这部分增长更可持续，但也更容易被误读为提价。渠道在做价格对标时，要区分同规格提价与规格结构变化。</p><p>第一个动作是把名义价格与到手价分开记录。名义价格看标价与建议零售价，到手价看结算页应付金额，两者在促销期会明显分化。第二个动作是按规格折算单位价格，避免被包装规格变化干扰。第三个动作是分渠道比对，找出价差超出约定区间的渠道。</p><p>下表把三个动作与对应字段并列。表中的增速数据来自三季报，分区域与分渠道的价格数据未披露，需自行采样。</p><table><tr><th>动作</th><th>核心字段</th><th>判断依据</th><th>常见误判</th></tr><tr><td>名义价与到手价分离</td><td>标价、结算页应付金额、优惠明细</td><td>两者差额是否超出促销预算</td><td>只看标价判断是否提价</td></tr><tr><td>单位价格折算</td><td>规格、箱规、单位价格</td><td>同规格对比才有意义</td><td>跨规格直接比总价</td></tr><tr><td>分渠道价差</td><td>各渠道到手价、采样时点</td><td>价差是否超出约定区间</td><td>把促销节奏差当破价</td></tr></table><p>三个动作做完，才能回答一个基本问题：这一季的增长是量带来的还是价带来的。量的增长需要供应链与铺货支撑，价的增长依赖品牌力与渠道管控，两者的管理动作完全不同，混在一起看会做出错误判断。</p><div style="display:none"><ol><li>价格巡查岗按周采样各渠道到手价，记录标价、应付金额与优惠明细，证据为结算页截图。</li><li>渠道运营岗按规格折算单位价格，标注规格变更时点，证据为商品页对比表。</li><li>区域负责人比对价差与约定区间，输出异常渠道清单，证据为价差台账。</li><li>复盘岗把季度增速拆成销量、价格与组合三项，标注发货时点影响，证据为季报原文。</li></ol><table><tr><th>字段</th><th>示例值（本篇材料）</th><th>核验人</th></tr><tr><td>报告期</td><td>截至 2026 年 10 月 2 日的第三季度</td><td>复盘岗</td></tr><tr><td>单位箱销量</td><td>同比增长 5%</td><td>复盘岗</td></tr><tr><td>价格与组合</td><td>同比增长 1%</td><td>价格巡查岗</td></tr><tr><td>证据链接</td><td>证券之星 2026-10-27 三季报报道</td><td>渠道运营岗</td></tr></table></div><ul><li><p>价格与组合只增长 1%，说明没有提价吗？</p><p>不能直接这样判断。价格与组合是合并披露的，包含提价与产品结构变化两部分。结构变化也可能带来 1 个百分点的贡献，需要结合同规格单位价格的变化才能区分。</p></li><li><p>浓缩液增速高于箱销量，是需求变好吗？</p><p>不一定。公司说明这一差异主要受浓缩液发货时点影响，属于会计时点而非需求信号。判断需求强弱应看单位箱销量，而不是浓缩液销售。</p></li><li><p>渠道价格巡查该看标价还是到手价？</p><p>以到手价为准，标价只作参照。促销期标价与结算页应付金额会明显分化，只看标价会漏掉优惠叠加带来的实际降价。</p></li><li><p>量增价平的局面，渠道该做什么？</p><p>重点转到铺货与可售，因为增长靠量驱动。同时要防止个别渠道用破价抢量，破坏整体的价格秩序，这两件事要同时做。</p></li></ul><ul><li><a href="https://stock.stockstar.com/IG2026102700038359.shtml">证券之星：可口可乐 10 月 27 日发布三季报，营收增长 7% 至 133.8 亿美元</a></li></ul>

<p>截至10月27日的公开信息，据 OpenRouter 最新数据测算（10月19日至25日），全球 AI 大模型总调用量188万亿 Token，环比增长14.63%；中国模型周调用量93.54万亿 Token，环比增长18.14%，美国22.47万亿 Token，环比增长29.44%，中国连续26周居全球首位；全球调用量排名前五均为中国模型，DeepSeek V4.1-Flash-1017 以33.6万亿 Token 位居第一、环比增长801%。这组数字对做 AI 搜索可见度的团队有直接含义：用户把问题交给了谁，决定了品牌该在哪里被引用、该按什么权重看竞品占位。</p><div style="display:none"><table><thead><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr></thead><tbody><tr><td>10月19日至25日全球大模型总调用量188万亿 Token，环比增长14.63%</td><td>测算口径与样本平台范围</td><td>OpenRouter 原始数据说明</td></tr><tr><td>中国模型周调用量93.54万亿 Token（+18.14%），美国22.47万亿 Token（+29.44%）</td><td>企业级与个人级调用占比</td><td>分场景调用结构数据</td></tr><tr><td>调用量前五均为中国模型，DeepSeek V4.1-Flash-1017 以33.6万亿登顶、环比+801%</td><td>单版本增长是否含灰度测试流量</td><td>平台版本发布与流量披露</td></tr></tbody></table></div><p>多数品牌的 AI 搜索可见度报告是简单平均：把几个平台的回答条数加总，算一个总体提及率。这个做法在平台份额接近时问题不大，但当某一个平台的调用量是另一个的十几倍，简单平均就会严重失真。用户在 DeepSeek 上问了一百次，在某个小众平台上问了一次，两边的权重显然不该相同。</p><p>按调用量加权，是让监测结果贴近真实曝光结构的第一步。加权之后可能出现反直觉的结论：某个平台上的提及率很高，但因为该平台份额小，对总体可见度的贡献有限；另一个平台提及率一般，却因为份额大而成为关键战场。不做加权，团队容易把资源投到看起来漂亮但影响有限的地方。</p><p>加权不是把调用量直接当系数用，那样会放大单点波动。比较稳妥的做法是同时看三个维度：平台调用量份额、该平台上品牌被提及的比例、以及该平台回答中给出引用来源的比例。三个维度分开记录，再合成一个加权可见度，出现异常时能定位到具体环节。</p><table><thead><tr><th>维度</th><th>数据来源</th><th>计算方式</th><th>用途</th></tr></thead><tbody><tr><td>平台份额</td><td>第三方调用量统计</td><td>该平台调用量 ÷ 全样本调用量</td><td>确定权重，避免简单平均</td></tr><tr><td>提及率</td><td>自有采集</td><td>提及品牌的回答数 ÷ 该平台有效回答数</td><td>判断单平台曝光水平</td></tr><tr><td>引用率</td><td>自有采集</td><td>给出引用来源的回答数 ÷ 有效回答数</td><td>判断可追溯性与信源依赖</td></tr></tbody></table><p>这三个维度里，引用率最容易被忽略，却最能解释差异。有的平台习惯在回答末尾列出参考链接，有的平台几乎不给来源。前者可以用引用来源分布判断哪些站点在替品牌说话，后者只能看表述本身。把两类平台混在一个指标里算平均，等于把可追溯与不可追溯的信息混为一谈。</p><h3>权重每季度校准一次就够</h3><p>调用量数据周度波动很大，按周调权重会让报告失去可比性。建议以季度为周期校准权重，周度只记录原始数据不做权重变更。这样既跟得上平台格局变化，又不会因为某一周的异常增长把整份报告带偏，团队也能在一个稳定口径下讨论趋势。</p><p>中国模型占据调用量前五，意味着国内用户的提问更多落在这些平台上。对品牌来说，内容建设的优先级应当随之调整：先在份额最大的平台上把核心问题库的回答覆盖住，再考虑长尾平台。反过来，如果内容团队把精力平均分给十个平台，很可能在每个平台上都做得不够深。</p><p>份额变化还会影响竞品占位的判断。某个平台上竞品被推荐的提问占比很高，如果该平台份额同时在上升，这就是需要优先处理的信号；如果该平台份额在下降，同样的占比数字紧迫性就低得多。把份额变化和竞品占位放在一起看，才能排出真正的优先级，而不是被单点数字牵着走。</p><p>调用量衡量的是使用规模，不是品牌曝光。一个平台调用量再大，如果用户在该平台上的提问与品牌所在品类无关，对可见度的贡献也有限。因此在加权之前，还要确认样本问题是否覆盖了品牌真正关心的场景，否则权重再精细也是在错误的样本上做运算。</p><p>另一个误区是把调用量增长直接等同于竞争加剧。增长可能来自新用户涌入，也可能来自同一批用户提问次数增加，两者对品牌的含义不同。前者意味着新增的曝光机会，后者意味着现有用户的问题更深。区分这两种情况，需要结合问题类型分布来看，而不是只看总量。</p><h3>样本问题要按品类分层</h3><p>同一个品牌在不同品类的提问里出现频率差别很大，把全品类问题混在一起算总体提及率，会掩盖真实短板。建议按品类把问题库分成若干层，每层单独算提及率与竞品占位，再按各品类的业务权重合成。这样既能看出哪一层最弱，也不会因为某个大品类表现好而掩盖其他品类的缺失。</p><p>把上面的口径落到执行，建议按四步走：先固定问题库，再确定监测平台清单与权重，然后按周采集、按季校准，最后把结果反馈到内容修正。四步里最容易漏掉的是最后一步，监测做完不落到内容修改，报告就只是报告，可见度不会自己变好。</p><div style="display:none"><ol><li>市场负责人：确定 50 至 100 条核心问题构成问题库，覆盖交易类与认知类，证据为问题库版本记录。</li><li>数据岗：按季度校准平台权重，记录调用量份额与来源，证据为权重校准表。</li><li>内容岗：在份额最高的两个平台优先补齐问题覆盖，证据为内容覆盖对照表。</li><li>分析岗：按周记录提及率、引用率与竞品占位，标注异常波动，证据为周度监测台账。</li><li>复盘人：季度复核加权可见度变化，决定下一轮内容重点，证据为季度复盘报告。</li></ol><table><thead><tr><th>字段</th><th>示例值</th></tr></thead><tbody><tr><td>平台名称</td><td>DeepSeek</td></tr><tr><td>调用量份额</td><td>17.9%</td></tr><tr><td>提及率</td><td>42.0%</td></tr><tr><td>引用率</td><td>61.5%</td></tr><tr><td>核验状态</td><td>待核验</td></tr></tbody></table></div><p>需要说明的是，调用量数据来自第三方统计，测算口径、样本平台范围与分场景结构均未完整公开，本文引用时已标注为需要核实。品牌在使用这类数据做权重设计时，应同时保留自有采集数据，避免把外部统计当成唯一依据。</p><ul><li><p>为什么不能用简单平均算 AI 搜索可见度？</p><p>因为各平台调用量差距很大。简单平均会让份额极小的平台获得与头部平台相同的权重，导致结论偏离真实曝光结构。按调用量份额加权，才能反映用户实际把问题交给了谁。</p></li><li><p>权重多久调一次合适？</p><p>建议按季度校准。调用量周度波动大，按周调权重会让报告失去可比性；按季度既跟得上格局变化，又能保持口径稳定，团队讨论趋势时才有共同基准。</p></li><li><p>引用率低说明什么？</p><p>说明该平台的回答较少给出可追溯的来源。这不一定是坏事，但意味着品牌无法通过信源建设影响它，只能从表述本身入手。分析时应把可追溯与不可追溯的平台分开统计。</p></li><li><p>调用量增长就等于竞争加剧吗？</p><p>不等于。增长可能来自新用户涌入，也可能来自现有用户提问变多。前者带来新增曝光机会，后者意味着问题更深。要结合问题类型分布判断，而不是只看总量。</p></li></ul><ul><li><a href="https://mp.weixin.qq.com/s?__biz=MzUzNTM4OTkwMw==&mid=2247485623&idx=1&sn=fdab8204a4de81fcae6eb3f18b7d7d63" rel="nofollow noopener" target="_blank">AI每日动态（2026-10-27）</a></li></ul>

<p>截至 10 月 28 日的公开信息，微软 AI 部门上周公开的训练报告显示，自研基座模型 MAI-Base-2 已完成预训练：总参数 2.8 万亿，每次推理激活 800 亿，动用 1.6 万块英伟达 GB200 芯片，训练 38 天、消耗 50 万亿 token。微软称其训练效率是 DeepSeek-V4-Pro-Base 的 4.2 至 12.3 倍，并援引其 AI 负责人苏莱曼的说法，与驱动 GPT-5.6 的模型相比，算力只花了约四分之一。对做 AI 搜索可见度监测的团队来说，这条消息的关键不在参数规模，而在于回答由哪个模型生成正在从常量变成变量。</p><div style='display:none'><table><thead><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr></thead><tbody><tr><td>MAI-Base-2 总参数 2.8 万亿、推理激活 800 亿，动用 1.6 万块 GB200，训练 38 天、消耗 50 万亿 token</td><td>实际推理成本与延迟表现</td><td>上线 Azure 的具体时间与定价</td></tr><tr><td>微软称训练效率为 DeepSeek-V4-Pro-Base 的 4.2 至 12.3 倍，跑分压过 Kimi K3 与千问</td><td>第三方复现结果</td><td>评测集构成与测量口径</td></tr><tr><td>权重、API、发布日期均未公布，不开源，仅通过 Azure 授权给合作方</td><td>授权名单与合作范围</td><td>是否进入 Copilot 与 Bing 的回答生成链路</td></tr></tbody></table></div><p>先把边界说清楚。效率数字是微软自行估算，没有第三方复核；模型仍在后期训练，权重、API 与发布日期都未公布，且确定不开源，只通过 Azure 授权给信得过的伙伴。这意味着短期内它不会直接改变普通用户看到的 AI 回答，但它改变了平台方的成本曲线与议价结构。纳德拉七月那句任何模型都是可替换的，在这份报告之后分量更重。</p><h3>自估的效率数字 不能直接外推</h3><p>把 4.2 到 12.3 倍当成行业基准是危险的。这个区间跨度本身说明测量依赖任务类型，而评测集由微软内部构建，既没有公开题目，也没有第三方复现。对监测方而言，可用的信息只有一个方向性判断：模型层的成本在快速下降，平台切换模型的财务门槛随之降低。</p><table><thead><tr><th>变量</th><th>已知情况</th><th>对品牌可见度的影响</th><th>需要重设的口径</th></tr></thead><tbody><tr><td>回答生成模型</td><td>微软自研基座进入后期训练，未公布上线时间</td><td>同一问题在不同平台的回答来源可能分叉</td><td>平台维度必须单列，不能合并成一个整体数值</td></tr><tr><td>检索与引用链路</td><td>未披露是否进入 Copilot 与 Bing 的回答生成</td><td>引用来源结构可能整体重排</td><td>引用来源占比需按平台分别建立基线</td></tr><tr><td>算力成本</td><td>微软称对标 GPT-5.6 只用约四分之一算力</td><td>长尾问题被更多调用，覆盖面扩大</td><td>问题库样本量需重新评估</td></tr><tr><td>开放程度</td><td>不开源，仅通过 Azure 授权</td><td>第三方无法直接复现回答</td><td>监测只能依赖端侧采样与留档</td></tr></tbody></table><p>GEO 实践中一个长期被忽略的前提是：AI 回答的生成模型是稳定的。当平台可以在自研模型与外部模型之间切换，同一个品牌问题在 ChatGPT、Copilot、豆包、DeepSeek 上得到的回答，差异不只来自检索结果，还来自生成模型本身。把各平台的提及率加总成一个整体可见度，在这种结构下会失真。</p><p>更稳妥的做法是把 AI 搜索的可见度拆成平台层与问题层两级：平台层看品牌提及率与推荐位次，问题层看具体问题下的回答是否提到品牌、提到哪些卖点、引用了谁。只有两级都稳定，跨平台比较才有意义；否则一次模型切换就会让整条时间序列出现无法解释的跳变。</p><h3>引用来源结构 会跟着检索侧一起变</h3><p>引用来源是比提及率更敏感的指标。同一份内容被不同模型调用时，是否被引用、引用多少字、放在回答的哪个位置，都可能不同。当平台更换底座模型，引用来源的分布会在几周内重排，而品牌侧的监测如果仍按旧基线判断，就会把来源替换误读成排名下降。</p><p>这也是为什么引用来源需要单独留档：记录每条回答引用的域名、页面标题与被引段落，再按平台统计占比。来源结构的变化往往早于提及率的变化，它是更早的预警信号，也是判断竞品占位变化的关键证据。</p><p>平台换模型、换检索接口、换引用规则，任何一项发生，历史基线都要重置。重置不是把数据清零，而是标注断点：断点之前的数据用于趋势判断，断点之后的数据用于新基线。没有断点标注的时间序列，会把结构性变化算成波动，最终得出错误结论。</p><p>落到执行，至少留三个字段：采样时的平台与模型标识、问题库版本号、以及引用来源的原始链接。第三个字段最容易被省略，但它决定了后续能不能复核；没有原始链接，引用来源占比就只是一个无法验证的数字，也就无法向业务方解释为什么这个月的数据不能用。</p><p>对竞品对比同样如此。竞品占位的变化如果与平台换模型同期发生，就不能简单归因为内容优化效果；先排除口径变化，再谈优化动作，是 GEO 分析里最基本的顺序。这条顺序看起来笨，却能避免把平台侧的调整记在自己账上。</p><div style='display:none'><ol><li>监测负责人为每个采样平台登记模型标识与检索接口版本，每次平台公告更新后 24 小时内更新登记表。</li><li>数据岗为每轮采样记录问题库版本号，版本变更时保留旧版问题清单，确保前后两轮可比。</li><li>分析岗逐条保存回答中引用来源的原始链接与被引段落，按平台统计域名占比，标注断点日期。</li><li>品牌经理在月度复盘时先核对断点与口径变化，再评估优化动作的效果，避免把平台调整误判为自身排名波动。</li></ol><table><thead><tr><th>字段</th><th>示例值</th></tr></thead><tbody><tr><td>采样日期</td><td>2026-10-28</td></tr><tr><td>平台</td><td>Copilot</td></tr><tr><td>模型标识</td><td>MAI-Base-2 未上线 按现网模型记录</td></tr><tr><td>问题库版本</td><td>v2026-10</td></tr><tr><td>引用来源原始链接</td><td>https://baijiahao.baidu.com/s?id=1880211462391932298&wfr=spider&for=pc</td></tr><tr><td>核验状态</td><td>已留档</td></tr></tbody></table></div><p>回到这条消息本身，它给监测团队的最实际提醒是：不要假设平台底座的稳定。把模型标识、问题库版本与引用原始链接这三个字段固化下来，下一次平台换模型时，才有能力把口径变化和真实的可见度变化分开。</p><ul><li><p>平台换模型后，之前的 AI 搜索可见度数据还能用吗？</p><p>可以用于趋势判断，但必须标注断点。断点前的数据反映旧模型下的表现，断点后的数据需要重新建立基线，两者直接相减没有意义。</p></li><li><p>GEO 和 SEO 的区别到底在哪？</p><p>SEO 争的是搜索结果页的排名与点击，GEO 争的是 AI 回答里是否被提到、被怎么描述、引用了谁。前者以页面为单位，后者以回答为单位，衡量指标与优化动作都不同。</p></li><li><p>AI 回答里的引用来源怎么查？</p><p>需要在端侧对同一批问题反复采样，记录每条回答引用的域名、页面标题与被引段落，再按平台统计占比。原始链接必须留档，否则占比无法复核。</p></li><li><p>微软自研模型会影响国内平台的 AI 回答吗？</p><p>直接影响有限，因为国内平台多使用自研或开源基座。但模型层成本下降会降低平台切换模型的门槛，间接带来回答结构与引用来源的重排，监测口径仍需预留调整空间。</p></li></ul><ul><li><a href='https://baijiahao.baidu.com/s?id=1880211462391932298&wfr=spider&for=pc'>百家号：2026年10月28日AI大事速览 微软2.8万亿参数自研模型叫板OpenAI</a></li></ul>

<p>截至 10 月 28 日的公开信息，太平鸟于 10 月 27 日晚发布 2026 年三季报：第三季度营业收入 13.43 亿元，同比增长 1.87%；归母净亏损 1959.5 万元，同比收窄 60.38%；前三季度营业收入 42.21 亿元，同比增长 0.09%，归母净利润 8212.49 万元，同比增长 190.61%；同期计提减值准备 1.44 亿元，公司称第三季度亏损收窄主要由于线上业务改善。对做电商运营的人来说，这份报表的关键是分清哪部分利润来自经营改善、哪部分来自基数效应。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>前三季度营业收入 42.21 亿元，同比增长 0.09%</td><td>线上与线下的收入拆分</td><td>同店与门店数量的各自贡献</td></tr><tr><td>前三季度归母净利润 8212.49 万元，同比增长 190.61%</td><td>利润增长中毛利率与费用率的贡献比例</td><td>去年同期是否存在低基数事项</td></tr><tr><td>同期计提减值准备 1.44 亿元</td><td>减值对应的存货或门店资产类别</td><td>减值是否已在三季度全额计提</td></tr></table></div><p>先看结构。收入增长 0.09%，几乎持平；净利润增长 190.61%，接近两倍。收入没动而利润大增，通常来自三个来源：毛利率提升、费用率下降、非经常性损益。三者对可持续性的含义完全不同。</p><p>同期计提 1.44 亿元减值准备，这一点很关键。减值会压低当期利润，在已经计提大额减值的情况下净利润仍增长近两倍，说明经营性利润的改善幅度比表面数字更大，但也说明资产质量存在压力。</p><p>公司把第三季度亏损收窄归因于线上业务改善。线上渠道的改善通常来自三处：折扣力度收窄、退货率下降、投放效率提升。三者的可持续性不同，折扣收窄最容易被竞争打断，退货率下降依赖商品与描述的匹配度，投放效率提升则与平台流量成本相关。</p><p>对服装品类来说，线上改善的核心指标是售罄率与退货率。售罄率提升意味着折扣可以收窄，退货率下降意味着履约成本下降，两者叠加才会真正改善毛利。只看 GMV 增长无法判断改善的质量。</p><h3>收入持平时利润翻倍的可能路径</h3><p>路径之一是产品结构上移，高毛利品类占比提升；路径之二是渠道结构变化，线上占比提高带来费用率下降；路径之三是费用收缩，包括关店、缩减投放与人员优化。三条路径里，前两条可持续，第三条有边界，压到一定程度就没有空间了。放到品类趋势里看，服装线上渗透率的提升空间已经收窄，消费需求的分化比总量增长更值得关注，这也是渠道变化的下一个变量。</p><h3>1.44 亿元减值意味着什么</h3><p>减值通常对应存货跌价或门店资产减值。前者反映库存周转压力，后者反映线下门店的盈利能力下降。无论哪一种，都说明资产端的回报在下降，而这与收入持平、利润改善的表象形成对照，需要放在一起看。</p><p>第一个是售罄率。它决定了季末折扣的深度，直接影响毛利。第二个是退货率，服装品类退货率对履约成本的影响很大，退货率每下降一个百分点，对应的物流与二次销售成本都会下降。第三个是线上收入占比，它决定费用率的结构。</p><p>下表把三个比率与对应口径、观察方式并列。需要说明的是，三季报未披露线上线下的收入拆分与退货率，表中数值属于口径建议，实际数据需以公司披露或自有后台为准。</p><table><tr><th>指标</th><th>计算口径</th><th>观察方式</th><th>对利润的影响路径</th></tr><tr><td>售罄率</td><td>正价期销量除以总备货量</td><td>按品类按周跟踪</td><td>决定季末折扣深度</td></tr><tr><td>退货率</td><td>退货件数除以发货件数</td><td>按渠道按品类拆分</td><td>影响履约与二次销售成本</td></tr><tr><td>线上收入占比</td><td>线上收入除以营业收入</td><td>按季度对比</td><td>改变整体费用率结构</td></tr></table><p>三个比率要一起看。售罄率提升但退货率同步上升，说明是靠加大曝光冲量换来的，利润改善不可持续；线上占比提升但售罄率下降，说明是用折扣换规模，同样不可持续。只有三项同向改善，才是真正的经营质量提升。</p><div style="display:none"><ol><li>商品运营按品类统计售罄率与季末折扣深度，证据为销售与库存报表。</li><li>电商运营按渠道拆分退货率，标注退货原因分布，证据为售后系统导出。</li><li>财务岗核对线上收入占比与费用率变化，证据为管理报表。</li><li>复盘岗比对减值计提与存货周转天数，判断资产质量趋势，证据为季度对比表。</li></ol><table><tr><th>字段</th><th>示例值（本篇材料）</th><th>核验人</th></tr><tr><td>前三季度营收</td><td>42.21 亿元，同比增长 0.09%</td><td>财务岗</td></tr><tr><td>前三季度归母净利</td><td>8212.49 万元，同比增长 190.61%</td><td>财务岗</td></tr><tr><td>减值准备</td><td>1.44 亿元</td><td>复盘岗</td></tr><tr><td>证据链接</td><td>百家号 2026-10-27 三季报报道</td><td>商品运营</td></tr></table></div><ul><li><p>收入几乎没增长，净利润为什么能增近两倍？</p><p>通常来自毛利率提升、费用率下降或非经常性损益三类来源。收入持平而利润大增，需要拆开看是哪一类在起作用，其中费用收缩的空间有边界，可持续性最弱。</p></li><li><p>线上业务改善具体指什么？</p><p>对服装品类而言主要是售罄率提升、退货率下降与投放效率提升。三者对毛利的影响路径不同，只有售罄率与退货率同向改善，才算真正的经营质量提升。</p></li><li><p>计提 1.44 亿元减值说明什么？</p><p>说明资产端回报在下降，减值通常对应存货跌价或门店资产减值。在已计提大额减值的情况下利润仍增长，说明经营性利润改善幅度更大，但资产质量压力仍需跟踪。</p></li><li><p>电商运营最该盯哪个指标？</p><p>建议三个一起看：售罄率、退货率、线上收入占比。单看 GMV 无法判断改善质量，三项同向改善才说明利润改善具备持续性。</p></li></ul><ul><li><a href="https://baijiahao.baidu.com/s?id=1880201990527087126&wfr=spider&for=pc">百家号：太平鸟前三季度净利 8212 万元同比增 1.9 倍，计提减值准备 1.44 亿元</a></li></ul>

<p>截至 10 月 27 日的公开信息，荷兰政府宣布大力布局 AI 提升行政效率，计划逐渐削减 2.5 万个政府工作岗位，裁员规模约占荷兰政府员工总数的 16%，目标节省 35 亿欧元（约合 261.52 亿元人民币），并将生产力提高 20%。配套措施包括每年废除或简化 500 项规章制度、要求两名员工共用一张办公桌、出售闲置办公楼并对 IT 系统进行标准化改造。对做 AI 搜索可见度监测的品牌团队来说，这是一次观察「机构用 AI 重构信息供给」的样本。</p><div style="display:none"><table><tr><th>已知事实</th><th>未证实</th><th>需要核实</th></tr><tr><td>荷兰计划削减 2.5 万个政府岗位，约占员工总数 16%，目标节省 35 亿欧元</td><td>削减的时间表与分阶段安排</td><td>政府预算文件与实施计划</td></tr><tr><td>目标将生产力提高 20%，每年废除或简化 500 项规章制度</td><td>生产力提升的测算口径</td><td>效率评估方法与基线数据</td></tr><tr><td>要求两名员工共用一张办公桌、出售闲置办公楼、IT 系统标准化改造</td><td>标准化改造的技术选型与数据治理安排</td><td>采购公告与技术架构说明</td></tr></table></div><p>16% 的比例不算小，但它不是一次性裁撤。报道提到裁员不会影响警察和国防部门岗位，常设咨询委员会与咨询机构不在豁免范围之内；截至 2025 年底，荷兰中央政府工作人员数量达到 16 万人，与 2018 年相比增长 41%。先扩张后收缩的曲线，说明这轮调整更像是把过去几年新增的行政岗位重新配置，而不是削减基础职能。</p><h3>三类信息的生产方式</h3><p>第一类是规则与政策文本。每年废除或简化 500 项规章制度，意味着政策文本的总量在减少、表述在收敛，这对检索是好事，但也会让旧文本的引用失效。第二类是办事指南与常见问题，这类内容最适合由 AI 生成与维护，未来会更快更新、更结构化。</p><p>第三类是统计与披露数据。IT 系统标准化改造之后，数据口径会更统一，发布频率也可能提高。三类信息叠加，结果是公开可检索的政府信息更结构化、更新更快、口径更统一，这正是 AI 搜索最偏好的信源形态。</p><h3>对品牌可见度的间接影响</h3><p>影响是间接但真实的。当权威机构的公开信息质量提升，AI 回答在涉及政策、标准、合规问题时会更倾向引用官方来源，商业来源的引用空间被压缩。品牌若在这些问题上仍以营销内容应对，被引用的概率会下降。</p><p>反过来，若品牌能提供与官方口径一致、结构清晰的事实说明，反而更容易被采纳为补充信源。这说明可见度的竞争不是「谁声音大」，而是「谁更接近可核验的事实结构」。</p><p>把信源类型放在一起比较，引用逻辑的差异就很清楚。下表列出信源类型、典型形态与引用权重的影响因素，品牌可据此判断自己该补哪一类内容。</p><table><tr><th>信源类型</th><th>典型形态</th><th>引用权重影响因素</th><th>品牌可做的事</th></tr><tr><td>政府与监管</td><td>政策文本、办事指南、统计数据</td><td>权威性、更新频率、口径统一</td><td>对齐口径，引用官方表述</td></tr><tr><td>行业机构与标准</td><td>标准文件、行业报告</td><td>发布机构资质、方法透明度</td><td>参与标准讨论，引用原文</td></tr><tr><td>媒体与自媒体</td><td>新闻报道、测评、解读</td><td>时效性、原创度、引用链完整</td><td>提供可核验的一手材料</td></tr><tr><td>品牌自有内容</td><td>产品页、白皮书、帮助中心</td><td>结构化程度、事实密度</td><td>字段化发布，减少营销话术</td></tr></table><p>四类信源里，品牌自有内容的权重最难提升，因为它的立场天然被认为有偏向。提升的办法不是加大投放，而是提高事实密度与结构化程度：把参数、成分、检测结果、售后条款写成可核对的字段，让 AI 在检索时能直接取用，而不是从一段营销文案里推断。</p><p>第一是内容供给能力，也就是品牌能提供多少结构化、可核验的事实内容。第二是引用获取能力，也就是这些内容在 AI 回答中被引用的比例。第三是描述准确度，即被引用后 AI 对品牌的表述是否与事实一致。三项能力分开测，才能定位问题出在哪一环。</p><p>拆分的价值在于避免误判。若内容供给充足但引用比例低，问题在分发与索引；若引用比例高但描述不准，问题在内容结构；若两项都低，问题在基础信息建设。把三项混成一个「可见度分数」，就只能看到结果，看不到原因。</p><h3>问题库该怎么跟着改</h3><p>当权威信息更结构化，用户的问题也会更具体。问题库需要增加「标准怎么规定」「政策适用哪一类」这类指向明确的问题，而不是停留在「哪个牌子好」。这类问题的答案更依赖官方口径，品牌能做的不是争夺结论，而是确保自己在相关事实上表述准确。</p><p>问题库的更新频率也要提高。政策文本一旦调整，旧答案就会失效，若问题库不跟着更新，监测结果会显示「品牌被提及」但描述已经过时，这种看似正常的数字反而会掩盖真实风险。</p><div style="display:none"><ol><li>内容团队梳理政策与标准相关问题，把官方口径与自身表述逐条对齐。</li><li>数据团队拆分内容供给、引用获取与描述准确度三项指标，分别建立基线。</li><li>监测岗扩充问题库中的标准与政策类问题，按月更新。</li><li>复核岗按季度比对三项指标变化，定位问题所在环节。</li></ol><table><tr><th>字段</th><th>示例值</th></tr><tr><td>监测对象</td><td>品牌可见度三项能力</td></tr><tr><td>指标一</td><td>内容供给量</td></tr><tr><td>指标二</td><td>引用获取比例</td></tr><tr><td>指标三</td><td>描述准确度</td></tr><tr><td>核验状态</td><td>待复测</td></tr></table></div><ul><li><p>荷兰削减政府岗位和品牌 AI 搜索有什么关系？</p><p>间接关系在信源结构。机构用 AI 重构信息供给后，公开的政府信息会更结构化、更新更快，AI 回答在政策与标准问题上更倾向引用官方来源，商业来源的引用空间被压缩。</p></li><li><p>品牌自有内容的引用权重为什么难提升？</p><p>立场被认为有偏向。提升办法不是加大投放，而是提高事实密度与结构化程度，把参数、成分、检测结果写成可核对的字段。</p></li><li><p>监测能力该怎么拆分？</p><p>分三项：内容供给能力、引用获取能力、描述准确度。分开测才能定位问题在分发、结构还是基础信息建设。</p></li><li><p>问题库需要怎么调整？</p><p>增加指向明确的标准与政策类问题，并提高更新频率，避免政策调整后监测结果显示被提及但描述已过时。</p></li></ul><ul><li><a href="https://www.ithome.com/1/018/599.htm">IT之家：荷兰计划用AI取代2.5万个政府工作岗位 目标节省35亿欧元</a></li></ul>