主体串线
母公司、子品牌、同名竞品被混为一谈。
解决方案
被提到，不等于被说对
AI 可见性若只统计「有没有出现」，会漏掉更伤转化的错误：串主体、夸大能力、省略适用边界、沿用旧名。品牌准确率，是把「说对没有」变成可管理的检测与修复问题。
为什么要单独管准确率
错误答案比「没被提到」更像一次静默伤客
用户若从未听说你，还可以继续比较；若助手用自信语气把你说错——把竞品能力安在你身上、把不适用场景写成适用——决策会被错误信息锁死。
值数把品牌准确率拆成可观察字段：主体是否正确、能力描述是否越界、限制条件是否保留、关联关系是否串线。检测在先，修复材料在后。更细的审计流程见代理媒体侧的答案准确率审计；跨模型对照方法见准确率基准页。
两种度量
「出现过」和「说对了」是两套题
关注点
仅看提及/曝光
看品牌准确率
成功标志
仅看提及/曝光
答案里出现品牌名
看品牌准确率
关键事实字段与现行说明一致
最危险结果
仅看提及/曝光
没被点名
看品牌准确率
被点名但能力/边界说错
改造对象
仅看提及/曝光
更多内容与外链
看品牌准确率
冲突字段、过时页、错误第三方说法
回看重点
仅看提及/曝光
是否仍出现
看品牌准确率
同一问法下错误字段是否收敛
六类常见错误
检测时优先盯这些字段
能力越界
把单点功能写成整体方案能力。
边界丢失
适用人群/地区/版本前提被摘要抽掉。
旧名旧参数
更名、停产、规格变更后仍输出旧版。
资质与承诺错置
把合作、试用、限时权益写成固有资质。
评价绝对化
把个案口碑收成「大家都说」的通论。
先定起点与终点
你现在在哪里，决定先修什么
你现在在哪里
同一批品牌决策问法分别进入文心、Kimi、通义、豆包等实际使用入口后，回答里常出现主体混淆、能力越界、旧参数或边界缺失；但团队手上往往只有零散截图，没有统一的问题版本、入口、时间和现行依据，于是分不清这是偶发措辞还是稳定错误。第一步要做的，就是把这些真实回答按同一口径留存下来，让错误可被复看、可被归因。
你想去哪里
每条关键断言都能回到现行事实页，每个错误都带问法、入口、时间、可见来源与责任人；复测沿用同一问题集，区分「没提到」「说错」「证据不足」。目标不是承诺模型立即改口，而是让错误发现、材料修复与前后复测形成可核对记录。
检测与修复
怎么走：从错误字段回到可改材料
步骤 01
按决策问法取样，而不是只问品牌词
选型、对比、适不适合、有没有某能力——这些问法更容易暴露准确率问题。采样时同时保存平台入口、日期、问题原文、完整回答和当次可见来源；不同入口或联网状态不能混成一个样本。
01
步骤 02
把答案拆成可判定字段
主体、能力、边界、关联、时效各标「对 / 错 / 无法核对」，并写出判定依据。事实负责人尚未确认的字段只能标「无法核对」，避免把审核人的印象当成准确率。
02
步骤 03
回溯冲突来源
官网、百科、电商详情、第三方评测哪一处出现过相同错句；只能记录回答当次展示的来源和公开可检索材料，不反推未公开训练语料。缺现行事实页本身也要标成修复项。
03
步骤 04
先修事实底座，再观察措辞变化
材料不一致时加投内容，只会让错误说法传播更快。MATRIX 可按固定问题集留存回答、拆解事实偏差并记录复测，但最终事实仍由品牌业务、产品或法务确认，不能由模型替代。
04
对照
助手断言 vs 现行事实页
逐条核对助手句子能否被现行说明支持；不支持即修复项。
左右滑动查看完整界面
问法
决策与对比问法。
断言
助手给出的关键句。
事实页
能否外链核对。
修复
改字段或补边界。
方法衔接
三块可继续深入的工作
答案准确率审计
把抽样、字段判定与责任归属做成可重复流程。详见 答案准确率审计。
准确率基准对照
跨模型、跨问法比较时，先约定样本与规则。详见 AI 答案准确率基准。
MATRIX 可见性分析
准确率要与提及、推荐理由和复测记录一并看。详见 MATRIX AI 可见性分析。
品牌准确率管理的目标，不是让助手更会夸你，而是让它更难把你说错。
值数对 AI 答案品牌准确率的基本判断