01统计事实
「被提到」在这个类目已经饱和
全量 1,180 条成功回答里，1,140 条至少提到了一个品牌（96.6%）；只看 L2 有效样本则 100%。单条回答最多出现 19 个品牌。这意味着：如果品牌方把「AI 有没有提到我」当作 GEO 的唯一指标，这个指标在香水类目里几乎没有区分度 —— 一条回答挤进十几个名字，读者记不住，模型也没有为任何一个名字展开说明。
96.6% 的回答都在点名品牌：香水类问题里，「被 AI 提到」已经不是门槛
1,180 条成功回答里有 1,140 条至少点了一个品牌名。真正稀缺的不是被提到，而是被解释、被放在前面 —— 而这两个指标必须先说清用的是全量口径还是有效样本口径。
- 数据等级
- L2 自动质量校验
- 统计窗口
- 2026-10-23 至 2026-11-13
22 天 - 数据快照
- 2026-11-14 01:21（Asia/Shanghai）
- 覆盖
- 16 个模型 · 10 类问法
本页同时使用两套口径，每个数字都标了总体：全量成功回答（1,180 条，仅要求调用成功）L2 有效样本（541 条，通过六道确定性校验）。 L2 是条件样本，不能用来描述全部回答。
这是数说 WANVO 的第一期行业观察。我们不去排「谁的 AI 声量第一」，而是先回答一个更基础的问题：在这些问题下，AI 到底怎么组织答案。因为答案形态决定了品牌能争取到什么 —— 是挤进一份十几行的名单，还是拿到一句带理由的推荐。本页每个数字都标注了总体：全量成功回答（未经过质检筛选）或 L2 有效样本（通过六道确定性校验）。这两套口径不能混用。
三句话看完
- 双口径96.6% 的成功回答至少提到一个品牌（1,140 / 1,180 条）；只看 L2 有效样本是 100.0%（541 / 541 条）。
- L2L2 样本里平均一条回答点名 10.81 个品牌；按每条回答单独计算，一个品牌中位分到 10.9 个字（四分位 9.3–12.4 字）。
- L2L2 样本里只有 30.6% 的提及落在回答前五分之一；前 5 个实体占 39.8%，其余摊在 102 个归一实体上。
一、先看清这一页的两种口径
L2 的六道校验里有一条是「回答不少于 80 字」。这条规则在筛掉无效回答的同时，也筛掉了所有短回答 —— 而短回答恰恰是这个品类里最常见的一类。于是同一件事在两套口径下会得到不同的数，差的不是小数。 下表把两个总体放在一起，可以直接看到筛选幅度。
| 结构指标 | 全量成功回答 n = 1,180 | L2 有效样本 n = 541 | 说明 |
|---|---|---|---|
| 有品牌提及的占比 | 96.6% | 100.0% | 筛选偏向长回答，长回答几乎必然点名 |
| 中位回答长度 | 71 字 | 113 字 | +59% |
| 单答品牌数（均值） | 10.06 | 10.81 | 变化很小 —— 长短回答都在报名字 |
| 每品牌分到字数（中位，实测） | 9.0 字 | 10.9 字 | +21% |
| 提及集中度（前五） | 36.2% | 39.8% | 结构稳定 |
「每品牌分到字数」= 每条回答各自的 长度 ÷ 该答不同品牌数，再对所有回答取中位数。 它不是「中位长度 ÷ 平均品牌数」—— 两个均值相除会得出一个既不属于全量也不属于 L2 的数。
二、样本是怎么来的
采集到的每一条观测都要过六道确定性校验（调用成功、无错误、回答不少于 80 字、非占位内容、模型可识别、模板版本可追溯），通过的记为 L2，才有资格进入 L2 口径的统计。 没有一条数据被人工修改过。
01采集观测1,183
窗口内全部调用记录02调用成功（全量口径的分母）1,180
失败 3 条，不进任何分母03通过自动质检（L2 口径的分母）541
占采集 45.7%；其中回答不足 80 字的 639 条（54.2%）三、回答形态（全量口径）
这一节用全部调用成功的回答做分母（n = 1,180），不做任何质检筛选。 它回答的是「AI 平时到底怎么答」，也是解释有效样本为什么少的依据。
不足 80 字（短答/清单式） 54.2%80 字以上 45.8%
10.06单答品牌数（全量均值）中位 12 个，最多 19 个
9.0每品牌分到字数（全量中位）实测，四分位 4.2–11.5 字
96.6%有品牌提及的回答占比1,140 / 1,180 条
36.2%前 5 实体提及占比（全量）共 194 个归一实体
四、长回答里的结构（L2 口径）
这一节只用通过质检的 541 条有效样本。它们代表「有实质内容的那部分回答」， 不代表全部回答 —— 与上一节的差距，就是选择偏差的幅度。
10.81单答品牌数（L2 均值）中位 11 个，最多 19 个
10.9每品牌分到字数（L2 中位）四分位 9.3–12.4 字；比全量高 +21%
30.6%出现在回答前 1/5 的提及占比分母 6,066 条提及记录
39.8%前 5 个实体的提及占比共 102 个归一实体
五、问法比行业更决定结果
同一品类、同一批模型，换一个提问框架，回答的信息量就完全不同。每行是「该问法的 L2 通过数 / 采集数」， 条形长度就是该比例；注释里给出该问法自身的中位回答长度。
六、模型之间的形态差异
下面按模型分列，不给合并值。同一批题面在不同模型上的通过率与回答长度差异很大， 把它们的「提及率」平均成一个数字，得到的会是一个无法解释的平均值。
七、这几件事值得品牌方注意
02统计事实
真正稀缺的是解释空间与位置
L2 样本的回答中位长度 113 字，按每条回答单独计算，一个品牌中位只分到 10.9 个字（四分位区间 9.3–12.4 字），放不下一个完整香调描述。同时只有 30.6% 的提及落在回答前五分之一，前 5 个实体拿走 39.8% 的提及。品牌要争的不是「出现在名单里」，而是「出现在名单前半段、并且带一个可被记住的特征词」。
03统计事实
L2 筛选本身会抬高所有「空间」类指标
这是本次修订最重要的一条。L2 要求回答不少于 80 字，于是它天然筛掉了短回答：全量中位长度 71 字，L2 里变成 113 字；每条回答里每品牌分到的字数，也从全量的 9.0 字抬到 L2 的 10.9 字。所以「AI 给了品牌多少空间」这类问题，必须说明用的是哪套口径 —— 用 L2 的数字去描述全部回答，是系统性高估。
04统计事实
问法比行业更决定你能拿到长答案还是名单
同样是香水，问「高端香水有哪些值得考虑的」时 L2 通过率 88.4%、该题面内中位 127 字，模型愿意展开讲调性、留香与场景；问「哪款性价比高」时通过率降到 21.4%、中位 50 字，回答基本退化成价格带 + 品牌名。这不是数据质量问题，是模型在不同问法下的行为差异，而它直接决定品牌有没有解释空间。
05统计事实
不同模型的形态差一个量级
各模型 L2 通过率从 7.0% 到 87.6% 不等，中位回答长度从 46 字到 147 字。把几个模型的「提及率」平均成一个数字，等于把「愿意展开讲」的模型和「只报名字」的模型混在一起。因此本页所有结构指标都按模型分列，不给合并值。
八、可以怎么用（商业推断）
以下是基于上面数字的判断与建议，不是平台结论，也不构成效果承诺。请按自己的业务判断取舍。
把 KPI 从「提及覆盖」换成「解释份额」
先量化三件事：在目标问题集里，你的品牌被提到时平均能拿到几个字、排在第几位、有没有一个具体特征被说出来。这三个数比「提及率 100%」有用，也更容易在两次优化之间比对。这是我们的建议，不是平台结论。
按问法准备可被摘取的素材，而不是长文
优缺点式提问的清单化比例在香水是 72.6%（该题面内、以「不足 80 字」为代理指标），说明模型在这类问题上倾向压缩。想被摘进去，就给一句能被直接引用的短结论（一个优点 + 一个缺点 + 一个适用场景）。
分平台设基线，不做全平台统一目标
愿意展开的模型和只报名字的模型，需要完全不同的素材策略与验收口径。用同一套内容打全部平台，最后拿到的只会是一个无法解释的平均分。
复测口径固定，才谈得上优化
同题面、同模型、同窗口长度、同数据等级 —— 四个不变，才允许说「这次比上次好」。缺任何一个，变化都可能来自模型换版或采样波动，而不是你的动作。
九、口径、来源与边界
指标定义
定义写在代码里的指标注册表（metrics-1.0 + cat-1.0），不是页面文案；改动必须升版本、历史值不重算。
有效样本产出率v1.0
- 分子
- count(observation) where data_tier = 2
- 分母
- count(observation) where 落在统计窗口与类目内（含失败）
- 排除
- 分母不剔除失败样本 —— 失败本身就是产出率的一部分，剔除会虚高；跨类目不得合并：不同类目的回答形态差异极大（见 listing_rate）
- null 规则
- 分母为 0 → null（不是 0%）
清单式回答占比v1.0
- 分子
- count(observation) where status = success and answer_len < 80
- 分母
- count(observation) where status = success
- 排除
- status != success
- null 规则
- 分母为 0 → null
单答品牌密度v1.0
- 分子
- Σ distinct(normalized_brand) per observation
- 分母
- count(observation) where data_tier = 2
- 排除
- data_tier != 2；同一回答里同一品牌的不同写法按别名表合并后只计 1 次
- null 规则
- 分母为 0 → null
每品牌分到字数（中位）v1.0
- 分子
- observation.answer_len ÷ distinct(normalized_brand) per observation
- 分母
- count(observation) where 该答至少提到 1 个可识别品牌
- 排除
- 该答没有可识别品牌 → 不进样本（无法定义"每个品牌分到多少"）；同答同品牌多写法经别名表合并后再计数，否则分母偏大、结果偏小
- null 规则
- 有效回答 <5 条 → null
有品牌提及的回答占比v1.0
- 分子
- count(observation) where distinct(normalized_brand) >= 1
- 分母
- count(observation) where status = success（或 data_tier = 2，取决于总体）
- 排除
- status != success；回答里只出现不可识别的品牌写法（不进分子，但仍进分母）
- null 规则
- 分母 0 → null
提及集中度（前五）v1.0
- 分子
- Σ mention_count of top 5 normalized entities
- 分母
- count(mention) where 观测为 L2
- 排除
- data_tier != 2；实体为空或无法识别的提及行
- null 规则
- 提及记录 < 5 → null
品牌提及率v1.0
- 分子
- count(distinct observation) where 该品牌出现在回答中
- 分母
- count(observation) where is_valid
- 排除
- status != success；回答为空；行业公共层：缺 requestHash 或 responseHash（不可复算的样本）
- null 规则
- 分母为 0 → null（不是 0%，也不是 100%）
来源与复算
- 来源表：DataCore 行业观测库（只统计调用成功的观测）。
- 快照版本
shushuo-2026-11-v1，口径版本metrics-1.0 + cat-1.0， 规则集obs-qc-v1。 - 品牌别名表
shushuo-alias-v1：中英文与错拼归一并列，未命中名称保持原样。 L2 口径覆盖 56.9% 的提及记录。 - 导出脚本
web/scripts/shushuo/export.sql与计算脚本build-snapshot.mjs可复现同一份数字（快照指纹f4de61da08b292a2）。
不能说什么
- 本页数字等级为 L2（自动质量校验通过、未经人工逐条审核）。按使用范围，不得用于品牌排名与关键商业结论。
- 提及不等于推荐：这批提及记录里推荐判定字段全部为空，因此本期不输出「谁被推荐」，也不输出推荐率。
- L2 是条件样本（回答 ≥80 字等六道校验）。用 L2 描述全部回答会系统性高估长度与解释空间，页面上每个数字都标了总体。
- 品牌实体做过中英文与错拼归一（shushuo-alias-v1），但别名表未覆盖全部写法；未命中的名称保持原样，因此真实实体数只会比页面上的更多。
- 样本来自模型 API 调用，不等于消费者在 App 里看到的真实结果；不能用它推断市场份额、销量或搜索热度。
十、原始数据表
图形之外的原始数，供核对与复制。所有比例均可由此表复算。
| 问法 | 采集 | L2 通过 | 通过率 | 清单式 | 中位字数 | 单答品牌 |
|---|---|---|---|---|---|---|
| 品牌认知（点名品牌） | 146 | 57 | 39.0% | 61.0% | 68 | 10.6 |
| 优缺点式提问 | 146 | 40 | 27.4% | 72.6% | 47 | 7.9 |
| 高端定位式提问 | 146 | 129 | 88.4% | 11.6% | 127 | 11.3 |
| 质量/口碑式提问 | 145 | 52 | 35.9% | 64.1% | 72 | 10.5 |
| 性价比式提问 | 145 | 31 | 21.4% | 78.6% | 50 | 9.8 |
| 对比式提问（哪个更好） | 145 | 59 | 40.7% | 59.3% | 67 | 10.4 |
| 榜单式提问（要前几名） | 145 | 76 | 52.4% | 47.6% | 87 | 9.8 |
| 购买推荐（要一组建议） | 145 | 82 | 56.6% | 43.4% | 104 | 10.6 |
| 单品牌商品盘点 | 12 | 10 | 83.3% | 16.7% | 407.5 | 1.1 |
| 具体商品发现 | 5 | 5 | 100.0% | 0.0% | 682 | 17 |
| 模型 | 采集 | L2 通过 | 通过率 | 清单式 | 中位字数 |
|---|---|---|---|---|---|
| DeepSeek-V4-Pro（腾讯） | 201 | 14 | 7.0% | 93.0% | 68 |
| Hunyuan-Hy4-Preview | 201 | 156 | 77.6% | 22.4% | 106 |
| Qwen3.8-Flash | 196 | 58 | 29.6% | 70.4% | 50 |
| Hunyuan-Hy3 | 193 | 81 | 42.0% | 58.0% | 47 |
| GLM-5.3-Flash | 113 | 81 | 71.7% | 28.3% | 101 |
| Qwen-Plus | 113 | 99 | 87.6% | 12.4% | 147 |
| Qwen-Flash | 112 | 23 | 20.5% | 79.5% | 46 |
表中「清单式」= 该问法/模型内回答不足 80 字的比例，是全量口径下的形态指标， 用作「有没有实质回答问题」的代理，不等同于「答非所问」的判定。
十一、企业咨询
想把这套口径用在自己品牌上，或需要多品牌、跨类目的持续观测与内容交付，可以留个联系方式。 表单只收四种信息，直接进我们的需求台账（待审核状态），不进入任何第三方系统。
本文不含品牌排名与推荐结论。按 L2 使用范围，排名与关键商业结论需要 L3（人工逐条审核）， 当前观测库 L3 为 0 条 —— 我们不跳过这一步。快照 2026-11-14 01:21，窗口 2026-10-23 至 2026-11-13。