一头是 3 款第三方模型，一头是 1 个模型选择页——11 月 14 日之前的公开信息里，这两个数字说的是同一件事：豆包工作在 11 月 12 日正式接入 Kimi K3.1 Pro、GLM 5.3、DeepSeek V4.1 Flash，并在模型选择页标注了各模型的额度消耗倍率。过去品牌在一个 AI 平台里盯的是一套答案，现在同一个问题，用户可能随手切成另一套模型，得到的是另一套推荐。对做竞品占位监测的品牌来说，「我的品牌在豆包里排第几」这句话，从这次更新起，必须追问一句：在哪个模型里排第几。
一个入口跑三套模型，竞品占位被切成了三份
豆包工作这次更新的关键，不是「多了几个模型」，而是把模型选择做成了用户随手可做的动作，还用额度倍率这个数字引导用户比较。倍率越低，同一任务消耗越少，用户自然会被引导去用更省额度的模型。这意味着模型之间的流量不是平均分配的，而是会被成本和任务类型分流。
对品牌来说，这个分流的后果很直接：过去你以为「在豆包里被推荐了」，现在要拆成「在豆包自研模型里被推荐」和「在某个第三方模型里被推荐」。不同模型的信源偏好和回答口径不同，同一品牌在三个模型里的竞品占位，可能完全不是一回事。
竞品占位，得先分清「问的是哪个模型」
竞品占位的监测逻辑，在多模型并存后需要重写。过去一个平台的答案代表一个口径；现在同一个平台里，Kimi 那一套答案、GLM 那一套答案、DeepSeek 那一套答案，可能是三个口径。品牌要做的，是把「竞品占位」这个指标，从「平台级」下钻到「模型级」。
具体地说，同一个「XX 品牌和 YY 品牌哪个好」的问题，在豆包的自研模型和第三方模型下分别跑，记录每个模型里谁排前、谁被推荐、谁被提及。只有把三个模型的答案摆在一起，才能看出品牌真实的位置——而不是被一个「平均值」或「默认模型」蒙住。
默认模型不等于真实战场
一个常见的误区是只看默认模型的结果。但豆包工作已经明确把模型选择、额度倍率摆到了用户面前，用户会为了省额度、为了任务适配去切换。只盯默认模型，等于只盯了三分之一的战场，另外三分之二可能是被竞品占据的。
这背后是一个更本质的判断：AI 平台正在从「单一模型的产品」变成「多模型的入口」。入口的价值在聚合，但品牌可见度的价值在每一个具体模型里。谁在每个模型里都有位置，谁才算真正占住了这个入口。
多模型并存，监测口径要跟着拆
落到执行上，品牌需要做三件事。第一，把问题库从「平台维度」改成「平台 × 模型」双维度：每个核心问题，在每个平台、每个模型下都跑一遍。第二，记录竞品占位时，标注清楚是哪个模型的结果，避免不同模型的数据混在一起统计。第三，观察额度倍率对用户模型选择的影响，判断哪个模型才是实际的高流量战场。
样本量也要跟着拆。过去一个平台一个样本量，现在一个平台三个模型，每个模型都要有足够的样本才能看出稳定差异。跑的时候按模型分开记录，不要因为「都是豆包」就合并，合并得到的是被抹平的假象。
到这里，能确定的是：豆包接进第三方模型，把「竞品占位」从一个平台一个答案，拆成了一个平台三套答案。短期看，品牌要按模型分开重测自己在豆包里的位置；中期看，谁能把「平台 × 模型」双维度的占位都摸清，谁就比只盯默认模型的对手更早看清战场。以上判断基于 11 月 14 日之前的公开信息；不同模型下的竞品占位差异幅度，仍需以实测数据为准。
三个模型，三套占位口径
同一个问题在豆包的三个模型下，答案的口径和竞品占位可能各不相同，需要分开记录。Kimi 长于推理、DeepSeek 倾向整合垂直信源，这些差异会直接反映在品牌被推荐的位次上，混在一起看会漏掉关键信息。
| 模型 | 信源偏好 | 竞品占位怎么看 |
|---|---|---|
| 豆包自研模型 | 字节系生态内容权重更高 | 看默认答案里的位次 |
| Kimi K3.1 Pro | 长文本与推理见长 | 看对比类问题的排序 |
| DeepSeek V4.1 Flash | 倾向整合垂直信源 | 看垂直站点的入选 |
常见问题
豆包接进第三方模型，品牌为什么要把竞品占位拆开看？
因为不同模型的信源偏好和回答口径不同，同一品牌在豆包自研模型、Kimi、GLM、DeepSeek 里的竞品占位可能完全不同。只盯默认模型，等于只看到三分之一的战场。
额度消耗倍率会影响品牌的可见度吗？
会。倍率越低，同一任务消耗越少，用户会被引导去用更省额度的模型。模型流量不是平均分配，品牌需要判断哪个模型才是实际的高流量战场。
品牌现在该怎么改监测口径？
把问题库从「平台维度」改成「平台 × 模型」双维度，每个核心问题在每个平台、每个模型下都跑一遍，记录竞品占位时标注清楚是哪个模型的结果。
多模型并存，样本量要怎么处理？
按模型分开记录，不要因为都是豆包就合并。一个平台三个模型，每个模型都要有足够样本才能看出稳定差异，合并得到的是被抹平的假象。
