LLM Perception Drift — 大模型认知偏移

大型语言模型在一段时间内，对某个品牌的理解、描述和推荐倾向所发生的渐进式变化——这种变化往往独立于品牌自身的营销努力。

关键数据点：2025 年 9-10 月，Slack 在主流 AI 模型中的品牌得分骤降 -8.10，而 Atlassian 同期飙升 +5.50——仅一个月的时间差。（来源：Previsible / Evertune）

2026 趋势信号：Gartner 预测，到 2026 年底将有 30% 的品牌认知由生成式 AI 内容塑造，而非传统媒体。认知偏移正从 "技术现象" 升级为 "品牌生存问题"。

谁需要关注：CMO / 品牌总监 / SEO 负责人 / 数字营销策略师

这个概念从哪来

"LLM Perception Drift" 这个术语由 Previsible 公司 CEO Jordan Koene 在 2025 年 12 月的一篇 Search Engine Land 文章中正式提出。但它的技术根基可以追溯得更远。

2023 年，斯坦福大学和 UC Berkeley 的联合研究团队（Chen, Zaharia, Zou）首先发现了 "LLM Drift" 现象——同一个大模型在不同时间对相同问题给出截然不同的回答。当时的关注点还停留在模型性能层面：GPT-4 解数学题的准确率从 97.6% 跌到了 2.4%，研究者们觉得这主要是个工程问题。

到了 2025 年下半年，事情变了。随着 ChatGPT、Perplexity、Claude 的月活用户突破 4.5 亿，越来越多的消费者开始用 AI 做购买决策。Koene 敏锐地意识到：模型的 "漂移" 不只是技术 bug，它直接决定了品牌在 AI 回答中是被推荐还是被遗忘。于是他把 "drift" 从技术术语重新定义为一个品牌战略指标——不是模型能力的衰退，而是模型对品牌认知的偏移。

学术界也在同步跟进。2025 年 10 月，TechRxiv 上发布了一篇系统性综述《A Survey of Temporal Drift in Large Language Models》，将时序偏移分为三类：语言漂移（语言使用模式变化）、知识漂移（事实信息过时）、分布漂移（输入数据特征变化）。这篇论文的核心结论令人警醒："语言作为一个活的系统，意味着训练时编码的知识和模式，会随着时间推移与现实世界日益脱节。"

它到底怎么运作

要理解认知偏移，先想象一个类比：大模型的 "品牌记忆" 就像一张不断被涂改的素描画。每次模型重新训练或接入新数据，画布上的某些笔触会被加深，某些会被覆盖，某些会模糊。没有人故意篡改，但画出来的肖像已经不像本人了。

偏移的驱动机制主要有四个：

• 训练语料更新：模型持续摄取新的互联网内容。如果近期关于某品牌的讨论以负面新闻为主，模型的 "印象" 就会随之偏转。
• 微调与对齐周期：每次模型升级（如 GPT-4 到 GPT-4o），内部参数会大规模调整。品牌在旧版本中建立的 "认知锚点" 可能在新版本中被稀释。
• 类别纠缠（Category Entanglement）：这是 Previsible 发现的关键模式。当 "项目管理" 这个类别在 AI 语境中逐渐与 "数字化转型""企业生产力" 合并时，拥有跨产品生态的 Atlassian 获得了更丰富的语义关联，而功能单一的 Trello 被边缘化了。
• 数据质量污染：arXiv 上一篇名为《LLMs Can Get "Brain Rot"!》的论文用实验证明，持续接触低质量文本（如垃圾推文）会导致模型推理能力不可逆地下降——即使后续用干净数据修复，也无法完全恢复基线水平。

Previsible 用 Evertune 平台对此做了量化追踪。他们在 "项目管理软件" 这个类别中，测量了各品牌在主流 AI 模型输出中的得分变化：

一个月之内，Slack 和 Atlassian 之间的认知差距拉开了 13.6 分。这种速度在传统品牌认知调研中几乎不可想象——消费者对品牌的印象通常需要数年才会发生显著迁移。但在 AI 的参数空间里，一切都在加速。

翼果观察：中国品牌面临 "存在性鸿沟"

2025 年 12 月发表的一篇学术论文（arXiv 2601.00869）测试了 GPT-4o、Claude、Gemini 与通义千问、DeepSeek、豆包六个模型对 30 个品牌的提及情况。结果发现：中国 LLM 的品牌提及率比国际 LLM 高出 30.6 个百分点（88.9% vs 58.3%）。更极端的案例是芝麻边界（OmniEdge）——在中国模型中的提及率为 65.6%，在国际模型中为 0%。

这意味着，对于中国品牌而言，认知偏移不仅是 "印象变好还是变坏" 的问题，更可能是 "在某些模型中根本不存在" 的问题。论文作者将此称为 "存在性鸿沟"（Existence Gap）——训练语料的地理分布，而非语言本身，决定了品牌在 AI 世界中的生死。

常见误区

误区一：认知偏移是一次性事件，修复一次就行了

实际情况：偏移是持续且动态的。Google DeepMind 2025 年的研究表明，仅需三次间隔呈现一个异常样本，就足以在模型中产生可检测的 "启动效应"——新学到的事实会不当地渗透到无关的上下文中。品牌的 "叙事维护" 不是一次性工程，而是持续的卫生习惯。

误区二：只要传统 SEO 排名好，AI 里的认知就不会差

实际情况：LLM 的推荐逻辑与搜索排名有关但不等同。Evertune 的数据显示，Celoxis（一个大多数人没听过的项目管理工具）得分飙升 +5.17，而知名度远高的 ClickUp 反而下降 -0.74。AI 更看重的是语义密度和实体关联的清晰度，而非外链数量。

误区三：这只影响英文市场，跟中国品牌关系不大

实际情况：恰恰相反。中国品牌面临的偏移风险更大——既要应对国际 LLM 中的 "存在性鸿沟"，又要处理国内 LLM（如 DeepSeek）因审查机制和训练数据偏差带来的独特漂移模式。一项研究（arXiv 2512.13723）甚至发现部分中国 LLM 存在 "Made in China, Thinking in America" 的悖论——因英文训练数据占主导，模型价值观偏向美国。这对品牌本土化叙事构成了隐性威胁。

实操清单

如果你是 CMO / 决策层

• 立即建立 AI 认知基线：用同一组 prompt 在 ChatGPT、Claude、Gemini、DeepSeek 中查询你的品牌，记录当前描述。这是你的 "零号快照"，所有后续偏移都以此为参照。
• 将 "AI 品牌信号稳定性" 纳入季度汇报指标：与传统品牌健康度追踪并行，监控品牌在 AI 输出中的月度得分变化。

如果你是 SEO / 技术执行层

• 部署 Schema 标记强化实体身份：用 Organization、Product、FAQPage 等 JSON-LD 结构化数据，帮 AI 爬虫精准识别品牌实体及其属性关系。
• 配置 llms.txt 文件：在网站根目录放置精选的核心页面导航，引导 AI 模型优先抓取高价值内容，减少噪音干扰。
• 选择监测工具并启动追踪：Evertune（品牌得分追踪）、Sentaiment（Echo Score / 20+ 模型覆盖）、Otterly.AI（GEO 全平台监控）是当前三个值得评估的选项。
• 瞄准 "250 篇文档" 阈值：行业经验表明，大约需要 250 篇高质量、语义一致的文档才能显著影响 LLM 对品牌的认知。制定内容计划时以此为量化目标。

如果你是内容团队

• 执行 "共识检测 → 空白填补" 的写作流程：动笔前先向 AI 提问你要写的主题，确认当前 "大众共识" 是什么，然后精准地在共识空白处注入你的独家数据和专家观点。
• 构建跨平台一致性叙事：确保品牌在自有网站、Reddit 讨论、行业媒体、新闻稿中的实体描述高度统一。AI 在综合多源信息时会交叉验证——不一致的描述会削弱信任权重。
• 定期更新核心资产的时效性数据：在已有的高权重页面中注入最新年份的具体数据，释放 Freshness 信号，防止内容在模型眼中 "过期"。

相关术语

• GEO（生成式引擎优化）：认知偏移的 "解药"——通过系统性优化数字资产，确保品牌在 AI 生成的回答中被准确引用。
• Information Gain（信息增益）：对抗偏移的内容策略核心——只有提供净新增信息的内容才能在 AI 的语义过滤中存活。
• AI Visibility（AI 可见性）：衡量偏移后果的直接指标——品牌在 AI 响应中被提及和引用的频次。
• llms.txt：降低偏移风险的技术手段——通过主动引导 AI 抓取高价值页面，减少模型对品牌的误读。
• Agentic Commerce（代理式电商）：认知偏移最具商业杀伤力的场景——当 AI 代理替用户做购买决策时，被偏移出推荐列表意味着直接丢失订单。

参考来源

1. Jordan Koene, "Why LLM perception drift will be 2026's key SEO metric," Search Engine Land, 2025 年 12 月 8 日. 链接
2. Evertune AI Brand Index, evertune.ai
3. "A Survey of Temporal Drift in Large Language Models," TechRxiv, 2025 年 10 月. PDF
4. "LLMs Can Get'Brain Rot'!" arXiv:2510.13928, 2025 年 10 月. 链接
5. Google DeepMind, "Predicting and Reducing Unintended Knowledge Contamination," arXiv:2504.09522, 2025 年 4 月. 链接
6. Huang Junyao 等, "Cultural Encoding in Large Language Models: The Existence Gap," arXiv:2601.00869, 2025 年 12 月. 链接
7. "Made in China, Thinking in America," arXiv:2512.13723, 2025 年 12 月. 链接
8. Andreessen Horowitz, "GEO over SEO," a16z.com