模型换代这件事，过去一年被当成技术新闻来读，直到它开始改变品牌在答案里的位置。本文核验截止 2026 年 11 月 15 日，公开信息显示 Google 于 2026 年 11 月 12 日把 Gemini 4 Hydrogen 设为 AI Mode 的默认模型，次日一家研究机构在关闭搜索的情况下向它提问 52923 次、消耗 1.109 亿 tokens，提取出 239266 个品牌以及它们之间约 440 万条链接，并按 74 个 GICS 行业分别给出权威分。换一个默认模型，等于把品牌放进了另一套坐标系，过去那套排名表很可能已经不适用。
一次换代，坐标系换了
这次测量方法值得先看清楚，再谈结论。研究把搜索关掉，只让模型凭自身参数回答，因此测到的是模型的「记忆」而不是「检索」。这与用户真实使用时的情况并不完全一致：真实场景里答案由两部分构成，一部分是模型记住的，一部分是它当场检索到的网页。研究测的是前者，而多数品牌团队日常盯的是后者，两者混在一起讨论，很容易得出互相矛盾的结论。
把这两部分分开，是理解这次排位变化的前提。模型记住的部分决定品牌会不会被主动提起，检索到的部分决定品牌在被提及之后有没有证据支撑。前者换代就会变，后者相对稳定。这也是为什么同一批品牌在换模型之后位次明显波动，而它们在传统搜索里的排名几乎没有变化。
权威分不是热度分
权威分是一个 0 到 100 的分数，算法思路接近网页排名：指向某个品牌的品牌越多、且这些品牌自身的分数越高，该品牌的分数就越高。这意味着它衡量的不是曝光量，而是品牌在模型认知网络里的位置。一个投放量很大的品牌，如果没有被其他高权重品牌关联，分数不会高。
召回与关联强度是两种能力
做能力拆分时，第一层要拆的是召回：模型在被问到某个品类时，会不会想到你。第二层是关联强度：想到你之后，会不会把你和你的核心业务绑在一起。这两层能力可以完全脱节。报告里最典型的例子是 Windows：综合排名第 11，但当被问及品牌时，模型从未提及它。召回为零而权威分很高，说明它在网络里被大量引用，却不是以「品牌」的身份出现。
行业内的相对位置才是可比口径
报告给出了 74 个行业各自的排名，这一步比总榜有用得多。总榜前列几乎被科技公司占满，Apple、Microsoft、Google、Samsung、Amazon、Sony、Meta、Intel、AMD 依次排列，Nike 以 81.0 排在第十，是前十中唯一的非科技品牌。但如果看行业榜，Walmart 在综合零售里领先 Amazon，Ford 与 Chevrolet 在汽车里领先 Toyota，American Airlines 以 100 分对 Delta 的 97 分。跨行业比总分没有意义，只有同行业内的位次才对应真实的竞争关系。
| 行业 | 模型给出的前列品牌 | 值得注意的细节 |
|---|---|---|
| 综合零售 | Walmart、Amazon、Target、Costco、Sam's Club | 线下规模在模型认知里权重不低 |
| 汽车 | Ford、Chevrolet、Toyota、Honda、Nissan | 本土品牌领先于全球销量更大的对手 |
| 饮料 | Coca-Cola、Pepsi、Sprite、Fanta、Mountain Dew | 品类词与品牌名高度重叠 |
| 客运航空 | American Airlines、Delta、United、Southwest、Spirit | 前两名分差仅 3 分，属于贴身竞争 |
| 软件 | Microsoft、Oracle、Adobe、Salesforce、SAP | 第二名权威分约为第一名的三分之一 |
这张表最实用的一栏是最后一列。同样的「行业第一」，护城河的厚度差异极大：软件行业的第一名领先第二名近三倍，客运航空的前两名只差 3 分。前者说明后来者短期难以撼动，后者说明位次随时可能翻转。判断要不要在这个行业加大投入，先看头部与第二名的分差，比看自己排第几更有决策价值。
被提到与被推荐之间隔着什么
权威分解释的是模型记不记得你，另一组数据解释的是记不记得之外的事。一家 AI 可见度监测平台截至 2026 年 11 月 14 日的自有数据显示，2715 个被检查品牌中有 59.6% 对 AI 完全不可见，从未被 ChatGPT、Claude、Gemini 或 Perplexity 点名；平均可见度得分只有 14.6%；而在可见的品牌里，仅 50.7% 是引擎的首选推荐，其余只是作为备选被提及（GeoBuddy）。
更细的对照来自 TrendValue 的研究。在电视品类里，三星在强调质量的回答中出现率高达 68%，但最终推荐中 LG 拿下 35%、三星只有 19%；护肤品类里 CeraVe 在价格导向回答中占 43.8%，La Roche-Posay 在质量导向回答中占 71.9%（Daily Tribune）。出现率高不等于被推荐，这个落差是可见度指标最容易掩盖的部分。
同一份研究还有一个数字值得单独记下来：笔记本品类 1872 条引用来自 490 个域名，其中只有 7.1% 来自厂商官网，85.3% 来自零售商、科技媒体与社区等外部来源。结合另一项统计——11147 条品牌推荐中仅 15% 引用了被推荐品牌自己的站点——可以得到一个不太舒服的结论：品牌在 AI 答案里的位置，大部分由自己不完全控制的页面决定。
换模型之后先拆哪几层能力
能力拆分在这里的具体含义，是把「AI 可见度」这个笼统的目标拆成可以分别测量、分别改动的几层，而不是继续用一个综合分做考核。拆开之后每一层都有独立的判断标准和干预手段，投入产出也能分开核算，不再需要把一次换模型带来的波动当成整体涨跌来解读。
第一层：召回
问品类词时是否被提及。这一层最容易被模型换代影响，因为召回依赖参数记忆，换模型等于换了一本记忆。测量方式是固定一组品类问题，在新旧模型上各跑一遍，比对提及率的变化幅度。
第二层：关联
被提及之后，模型把你和哪些业务、场景、人群绑在一起。这一层决定推荐理由是否成立，也是大量品牌出现「被提到但不被推荐」的原因。测量方式是把品牌名与核心业务词组合提问，看模型是否给出正确的关联描述。
第三层：证据
推荐背后引用了哪些页面。这一层最稳定，也最可干预。研究显示最常被引用的第三方域名集中在社区与视频平台，说明可被提取的事实性内容比品牌自述更有效。测量方式是抓取答案里的引用链接，按域名类型归类，计算自有站与外部来源的比例。
这一轮的核查清单
这张表的填写顺序有讲究：先记录模型版本，再记录数据，否则跨版本的数据会被误当成趋势。过去一年里不少团队把可见度的波动归因于内容策略调整，实际原因是测试期间换了模型。把版本号写进表头，是最便宜的一条防错措施。
常见问题
关于模型换代与可见度测量，品牌团队最集中的疑问在基线可比性、指标选择与投入判断三个方向。下面几组问答按这个顺序整理。
换了默认模型，之前的可见度数据还能用吗？
能参考但不能直接比较。模型换代改变了参数记忆，召回层面的数字会整体位移。正确做法是在新模型上重建基线，把旧数据当作历史参照而不是当期目标。
权威分高的品牌，是不是一定卖得好？
不一定。权威分衡量的是模型认知网络里的位置，与市场份额相关但不重合。它更适合用来判断品牌在 AI 答案里有没有话语权，不适合直接当作销售预测指标。
被提到但不被推荐，问题出在哪？
多数出在关联层。模型记得这个品牌，但没有把它和具体场景、人群、卖点绑在一起，于是回答时只能作为备选列出。解决方向是补齐可被提取的事实性内容，而不是继续增加曝光。
行业榜和总榜该看哪个？
看行业榜。总榜前列长期被科技公司占据，跨行业比总分没有决策价值。同行业内的位次以及头部与第二名的分差，才对应真实的竞争格局。
数据来源
本文数据与事实核验截止 2026 年 11 月 15 日，来源如下。
