模型版本漂移（Model Version Drift） Model Version Drift

模型版本漂移（Model Version Drift）指引擎侧的静默变更——换底层模型、改产品界面、调整引用与检索策略——让同一提问的回答行为在时间上失去平稳性。它对测量体系的杀伤在于换掉了「尺子」：你以为量的是内容变化，实际量的还包括引擎自己变了什么。AI 可见度数据的时间序列因此天然不平稳，把漂移纳入口径管理，是监测区别于截图打卡的分水岭。

漂移从哪来：引擎侧的三处常见变动

第一处是模型本身。主流引擎以数周到数月为单位更新模型：能力、知识截止、措辞风格、对来源的偏好都在变，而消费级产品极少在你面前郑重宣布「本日换版」。第二处是产品形态：界面改版、入口调整、引用展示方式变化，轻则让采集适配器失效，重则改变答案里引用与提及的结构——同一品牌从「正文提及」变成「来源列表脚注」，指标层面就是两种资产状态的切换。第三处是检索与引用策略：上游索引更换、信源权重调整、查询改写逻辑迭代，都会改写同一提问的候选池与选源结果。三处变动任意一处发生，基线的可比性就折损一次，而这三处多数都不打招呼。

漂移的隐蔽性还在于它的渐变与突发两种形态。突发型好认：某一天起答案形态整体变化，序列跳变明显。渐变型难缠：模型持续微调让读数缓慢爬升或下沉，团队误把漂移当成自己内容的长期成效，直到某次断代对照才发现「趋势」大半是引擎送的。识别渐变漂移没有自动化银弹，能依靠的是抽样复测与跨引擎交叉验证——多家引擎同时缓慢同向变化时，先怀疑引擎侧的共同原因，而不是全行业同时认可了你的内容。

序列突变时的归因顺序

看到趋势图突变的正确动作有固定顺序。第一步查采集侧：适配器是否报错、当日是否有失败样本被误计，先排除自家管线的假信号。第二步查引擎侧：近期有无已知的产品公告、模型传闻、界面变化；没有公开信息时，用保留的固定探针做抽样复测，看行为变化是否覆盖全部题目——覆盖面广的形变更像引擎变更，局部的更像内容或竞争变化。第三步才轮到自己：那段时间上了什么内容、做了什么动作，与变化的主题和时间能否对上。

这个顺序背后的原则是：引擎侧的先验概率不低，自己的动作与涨跌对得上才写直接归因，对不上宁可写无法归因。行业里最贵的错误形态是把一次模型换版读成一次营销胜利——下一季度的预算据此加码，投在一条根本不存在的因果链上。归因纪律的报表落法见监测指标体系实操，其中「把引擎版本变更标在趋势图上」是基本功，不是可选项。

版本变更之后：断代与基线重跑

确认引擎侧发生实质变更后，处理方式是断代加重跑：在时间序列上标出变更点，变更点之前与之后视为两段序列；新序列上重跑一轮基线，把新的波动带测出来，之后的对比在新基线内进行。旧基线不是扔掉——它仍是历史叙事的依据，只是不再承担跨断点的直接对比。这条纪律与提问集变更、口径变更的处理完全同构：尺子换了就断代，换尺子前后不比大小。

重跑基线会增加成本，但省掉它代价更高。不分段比较的报表会把引擎的变更摊派到每个指标头上，团队用几个月时间争论一条根本不存在的下滑。我们的实践经验是给断点标注定一个宽松标准：宁可多断不错比，错断的成本只是损失一段对比，错比的成本是把噪声写成结论。断代与基线的衔接方法见基线测量（Baseline），配套的采样纪律见采样方差（Sampling Variance）。

把漂移变成可管理的对象

漂移无法消除，只能管理。管理动作有三层。记录层：维护一份引擎事件日志，公开公告、界面变化、采集侧观察到的行为变化都记下来，日期与来源齐全——这份日志是所有突变归因的第一参考。检测层：固定探针定期做行为快检，对比措辞、引用数、名单结构有没有系统性变化，让渐变漂移有机会被看见。呈现层：趋势图上凡是引擎事件都有竖线标注，读者不需要知道细节，但需要知道「这一天尺子动过」。

对外报告时，漂移管理是可信度的组成部分。给客户的报表附上引擎事件说明，等于主动交代「哪些变化不能记在我们头上、哪些可能漏记」，这类自曝在信任账上是加分项。秀虎GEO 的测量方法论把平台改版、账号风控等已知扰动写成公开的限制清单，思路相同：口径说不清的数字没有价值，漂移说不清的趋势同样没有价值，完整口径见秀虎GEO 测量方法论。

最后要分清漂移与正常波动的关系：单次回答的随机性是高频噪声，多天窗口就能摊平；版本漂移是低频事件，一次发生就改变整条序列的地基。前者靠多采样治理，后者靠断代与重跑治理——把两种扰动混在一锅里谈「数据不稳」，是监测团队内耗的高发来源。答案层面的稳定性度量见答案一致性（Answer Consistency），引擎时效行为的另一面见时效信号（Freshness Signal）。