多数人把开源模型看成一次价格冲击。把公开信息摆在一起看，真正变动的是回答的生产方：美团在 11 月 11 日之前已以 MIT 协议开源 LongCat-2.5，总参数 1.6 万亿、每个 token 激活约 480 亿、支持一百万上下文，可用 SGLang 自托管，托管价每百万 token 0.3 美元与 1.2 美元。当企业可以自己部署一个足够强的模型，AI 搜索的回答就不再只由几家平台生产。对做 AI 搜索可见度的团队来说，信源结构从此分成两层：平台索引的公有层，和企业知识库驱动的私有层。
1.6 万亿参数开源，答案的生产方变多了
LongCat-2.5 采用 MIT 协议，支持商用推理部署与二次训练，无需额外授权；它是面向长程智能体任务的原生多模态模型，支持一百万上下文（今日头条 AI 日报）。公开评测里，Terminal Bench v2.1 得 88.4、DeepSWE v1.1 得 64.6，托管价低到每百万 token 0.3 美元起。
| 部署方式 | 回答来源 | 可监测性 |
|---|---|---|
| 公有平台托管 | 平台索引与既有语料 | 靠外部采样，样本有限 |
| 企业自托管 | 企业知识库与检索结果 | 可读日志，样本完整 |
| 混合调用 | 两者拼接 | 需按环节拆开记录 |
成本结构决定了采用速度。托管价 0.3 美元每百万 token，意味着一次完整的产品问答成本可以忽略不计；自托管的门槛则落在硬件与运维上。两类企业会走向不同路径：数据敏感的先自托管，追求迭代速度的先用托管。
自托管之后，引用来源分成公有与私有两层
公有层的引用来源是平台抓取到的网页：行业媒体、电商平台、社区帖子。私有层的引用来源是企业自己的知识库：产品手册、客服话术、内部评测、历史工单。两层的内容质量与更新节奏完全不同，用一套口径统计会得出互相矛盾的结论。
分层的实际意义在于动作不同。公有层可见度低，要补的是可被抓取、可被引用的公开内容；私有层可见度低，要补的是知识库里的信息完整度与更新时效。前者是内容营销问题，后者是数据治理问题，负责人往往都不是同一个。
私有部署的可见度怎么测
测法比公有层简单：固定问题集，读取日志里的回答原文与检索命中的文档片段，统计品牌被提到的比例、描述是否准确、引用的是哪份文档。因为没有平台黑箱，样本可以做到全量，不需要靠重复采样平滑随机性。
难点在权限。私有部署的回答往往按角色区分，同一问题对内部员工与外部客户给出的内容不同。监测方案要先把角色维度固定下来，否则同一指标在不同人群里会得出相反结论。
评测分数高，不等于回答更可信
评测衡量的是特定任务上的正确率，可信度取决于检索到的资料质量。资料过期或缺失时，分数更高的模型只是把错误说得更流畅。这条判断对 GEO 尤其重要：品牌被引用得多，不等于被描述得对。
平台侧的规则也在影响引用结构。抖音店播成交额破千万元的新商数量同比增长 133%、微信小店首次入局双 11，新内容场正在成为可被抓取的信源（上海证券报）。信源池扩大，品牌的可见度波动也会变大。
三类信源的证据强度
官方文档与财报最强，行业媒体次之，社区与论坛最弱但最贴近真实体验。品牌在 AI 回答里被引用时，来源类型决定了这句话的可反驳程度，也决定了出错时的修复路径：引用官方文档出错，改文档即可；引用社区帖子出错，只能靠新内容覆盖。
监测工具通常会把提及率、推荐排名、引用占比打包成指标（搜极星博客）。这些指标能反映结构，但要判断「描述是否准确」，仍然需要人工读原始回答。把准确率做成抽检指标，比追求全自动打分更可靠。
常见问题
企业自己部署模型，品牌还有必要做 AI 搜索可见度监测吗？
更有必要，但对象变了。公有平台的可见度决定陌生用户能不能找到品牌，私有部署的可见度决定已有客户与内部系统会不会提到品牌。两层的优化动作不同，指标要分开记。
私有部署的回答能监测吗？
能，前提是拿到原始回答与引用清单。企业内部部署通常有日志，可导出问题、回答与检索到的文档片段。监测的重点从「平台怎么描述品牌」变成「知识库里有没有正确的品牌信息」。
模型评测分数高，回答就更可信吗？
不必然。评测衡量的是特定任务上的正确率，可信度还取决于检索到的资料质量。资料过期或缺失时，分数更高的模型只是把错误说得更流畅。
三类信源的证据强度怎么排？
官方文档与财报最强，行业媒体次之，社区与论坛最弱但最贴近真实体验。品牌在 AI 回答里被引用时，来源类型决定了这句话的可反驳程度，也决定了出错时的修复路径。
