大部分回答根本没有回应问题
问「主流洗碗机品牌各有什么优缺点」，收到的是一份 39 个字、12 个品牌名的清单，没有任何优缺点。这类回答占了 96.1%。它们不是「数据脏」，而是模型在这种问法下的真实行为：先给名单，是否展开取决于问法。我们在质检里把这类回答归为「未通过」，不是为了好看，而是它们确实无法支撑任何结论。
42 个字报 11.7 个品牌：洗碗机类问题里，AI 只给名单，不给理由
1,236 次采集里，88% 的回答不到 80 字 —— 问它「各有什么优缺点」，它回了一串品牌名。唯一能让它展开的，是「高端」这个框架。
- 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
- 15 个模型 · 10 类问法 · 每问法 2 轮
同一套题面、同一批模型，换成耐用品就完全是另一种形态。洗碗机是典型的高介入、低复购品类，消费者决策周期长、比价细；但我们采集到的回答，比香水类目短一半还多，而且大多数不回答被问的问题。这不是给某个品牌打分，是在说明：这类目里，AI 目前能提供的信息量非常有限。
三句话看完
- 1,236 次采集里只有 148 条进入有效样本（12.0%），88.0% 的回答不到 80 字，中位长度 42 字。
- 在这 42 字里平均点名 11.7 个品牌 —— 每个品牌约 3.6 个字，等于只报了名字。
- 唯一能拿到解释的是「高端」框架：有效样本率 79.9%、中位 95 字；问「哪个品牌好」「各有什么优缺点」时有效样本率是 0 到 7.9%。
一、这批样本是怎么来的
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，才有资格进入下面的统计。 没有一条数据被人工修改过。
01采集观测1,236
窗口内全部调用记录02调用成功1,235
失败 1 条，不进任何分母03通过自动质检（L2）148
占采集 12.0%；其中回答不足 80 字的 1,087 条（88.0%）二、回答到底长什么样
短回答不等于坏回答，但在这些问题上，短回答的典型形态是「只报品牌名、不回答问题」。 下面两个结构指标用来说明这件事，它们是形态描述，不是质量评分。
不足 80 字（清单式/短答） 88.0%80 字以上 12.0%
11.7单答品牌密度中位 12 个，最多 19 个
3.6每个品牌分到的字数中位回答长度 ÷ 单答品牌密度
29.6%出现在回答前 1/5 的提及占比分母 1,819 条提及记录
40.0%前 5 个实体的提及占比共 51 个归一实体
三、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。 下面每一行都是「该类问法的有效样本数 / 采集数」，条形长度是该比例。
四、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有效样本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。
五、这四件事值得品牌方注意
密度极高、信息极薄
有效样本里每条回答平均点名 11.7 个品牌，中位回答长度 42 字。把两个数放在一起，单个品牌平均只能分到 3.6 个字 —— 连一个完整的商品描述都放不下。这个类目里，「进入名单」几乎是唯一能拿到的东西，「在名单里被说明理由」目前基本不存在。
「高端」是唯一有解释空间的框架
把题面按问法拆开后，差异非常干净：高端定位类问题的有效样本率 79.9%、中位 95 字；其余六类问法（品牌认知、哪个好、优缺点、性价比、质量口碑、推荐）的有效样本率都在 8% 以下，多数是 0。同一个品类、同一批模型，只是换了一个提问框架，回答的信息量就差了一个量级。
型号级信息几乎空白
能识别到具体型号的采样只有个位数。多数回答停在品牌层，连系列都不给。对洗碗机这种「型号决定体验」的品类，这意味着 AI 目前无法承担选购决策的最后一公里 —— 这既是缺口，也是品牌方最容易补的位置。
六、可以怎么用
先争名单，再争解释
这个类目里，第一步的现实目标就是「出现在名单上」，因为名单是唯一的曝光位。第二步才是争取被放进「高端」框架 —— 那是目前唯一会让模型展开讲理由的问法。
围绕高端框架建技术叙事
高端题里模型会讲烘干方式、容量、水效、噪音。这些恰好是可结构化、可被引用的参数型事实。把产品的关键技术参数整理成一句一事实的形式，比写品牌故事更可能被摘用。
补 SPU 级结构化资料
型号识别几乎是空白的。谁先把型号、系列、适用场景、关键参数整理成机器可读的结构，谁就有机会在下一轮采集里成为「被说清楚的那一个」。
不要用这批数据做排名
有效样本 148 条且集中在单一问法，任何品牌排序都会在下一轮采样里大幅波动。这一期只做形态判断，不做名次判断 —— 这也是我们对 L2 数据的使用边界。
七、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
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。 本期覆盖 40.8% 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
- 有效样本仅 148 条，且集中在「高端」与「榜单」两类问法；本页因此只做回答形态判断，不做品牌结构结论。
- 本页数字等级为 L2（自动质量校验通过、未经人工逐条审核），不得用于品牌排名。
- 「88% 的回答不到 80 字」是采集形态的事实描述，用于解释有效样本为什么少，不代表该行业数据「差」。
- 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。
八、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 | 有效(L2) | 有效率 | 清单式 | 中位字数 | 单答品牌 |
|---|---|---|---|---|---|---|
| 品牌认知（点名品牌） | 154 | 0 | 0.0% | 100.0% | 41 | 11.9 |
| 优缺点式提问 | 154 | 6 | 3.9% | 96.1% | 41 | 10.8 |
| 高端定位式提问 | 154 | 123 | 79.9% | 20.1% | 95 | 11.7 |
| 质量/口碑式提问 | 154 | 0 | 0.0% | 100.0% | 43 | 11.9 |
| 性价比式提问 | 154 | 0 | 0.0% | 100.0% | 41 | 11.9 |
| 对比式提问（哪个更好） | 153 | 0 | 0.0% | 100.0% | 41 | 11.9 |
| 购买推荐（要一组建议） | 153 | 0 | 0.0% | 100.0% | 42 | 11.9 |
| 榜单式提问（要前几名） | 152 | 12 | 7.9% | 92.1% | 41 | 11.1 |
| 具体商品发现 | 5 | 5 | 100.0% | 0.0% | 390 | 14.8 |
| 单品牌商品盘点 | 2 | 2 | 100.0% | 0.0% | 318.5 | 3 |
| 模型 | 采集 | 有效(L2) | 有效率 | 清单式 | 中位字数 |
|---|---|---|---|---|---|
| DeepSeek-V4-Pro（腾讯） | 208 | 26 | 12.5% | 87.5% | 43 |
| Hunyuan-Hy4-Preview | 205 | 27 | 13.2% | 86.8% | 45 |
| Qwen3.8-Flash | 201 | 26 | 12.9% | 87.1% | 42 |
| Hunyuan-Hy3 | 194 | 25 | 12.9% | 87.1% | 41 |
| Qwen-Flash | 120 | 0 | 0.0% | 100.0% | 39 |
| GLM-5.3-Flash | 113 | 11 | 9.7% | 90.3% | 42 |
| Qwen-Plus | 112 | 26 | 23.2% | 76.8% | 61 |
| Doubao-Seed-Evolving 0907 | 24 | 3 | 12.5% | 87.5% | 40 |
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。