Share of Model（模型份额） Share of Model
Share of Model（模型份额，SOM）是衡量品牌在特定大模型“认知”中份额的提法：当用户向某个模型问及相关品类时，品牌被推荐、被提及、被引用的倾向。它由业者（如 iPullRank 的 Mike King）提出，与经典的 Share of Search（搜索份额）对照——后者统计品牌在搜索结果中的份额，前者试图统计品牌在模型“心智”中的份额。这个概念方向上成立，但目前尚无统一定义与口径，任何单一“模型份额总分”都不具备严格可比性。
从搜索份额到模型份额：迁移了什么，丢掉了什么
Share of Search 的测算建立在两个稳定地基上：搜索结果相对确定，同一查询的返回相对稳定；真实查询量可得，有公开的搜索趋势数据可作分母或权重。迁移到模型侧，两个地基同时松动：模型的输出是概率性的，同一问题多次回答结果不同；真实用户向模型提了什么问题，外部工具基本拿不到。所以“模型份额”不是搜索份额的简单平移，它需要重新发明一套口径——而这套口径至今没有收敛。
两个时代的算式形状也值得对照。搜索份额的分子分母都来自同一系统：品牌的曝光次数除以品类总曝光，口径统一、可复核。模型份额的分子来自采样回答的统计，分母——“模型的全部相关回答”——根本不可观测，各家只能用合成题集近似。换句话说，搜索份额测的是池子里的一条鱼，模型份额测的是从海里舀的一瓢水：瓢是工具自己选的，海水总量无人知晓。
三重先天困难
第一，真实提示词不可得。工具厂商只能用合成提示词加聚类的方法推断“用户大概会问什么”，再统计品牌出现情况。合成集的选题、措辞、数量都由工具自定，同一个品牌在不同工具的合成集上会得到面目全非的分数。
第二，模型版本持续漂移。模型更新换代、检索索引滚动、平台调整推荐策略，份额数字随之波动——今天测到的分数，描述的可能是上周的模型。
第三，引用概率化。同一问题多次提问可能引用不同来源，可见度是分布而非定值，低次采样算出的“份额”噪声极大，很容易把随机波动读成趋势。
三条叠加的结论：Share of Model 目前是一个方向正确、口径未定的北极星概念，而不是能直接写进周报的硬指标。把它当 KPI 逐周考核，考核的其实是采样噪声与工具方法论。
三重困难的权重并不均等。采样噪声是统计问题，多采几轮就能压低；版本漂移是节奏问题，断点管理可以隔离；唯独真实提示词不可得是结构性的——它不是精度不够，而是测量对象本身在别人手里。多数对 SOM 的神化与失望，都源于没把结构性困难与前两类分开。
困难不等于放弃，几件事能把噪声压到可用的程度。快照管理：记录每次采集时的模型与产品版本，重大更新处设断点，避免把版本漂移误读为品牌变化。区间呈现：报多次采样的分布区间而非单点，趋势判断要求多次一致观察而非单次波动。口径冻结：提示词集、统计规则、竞品清单全部版本化，动任何一项都声明断代。这几件事做满，SOM 才勉强配得上“指标”二字。
再补一个实操视角：竞品集的选择同样影响一切份额数字。纳入谁、排除谁，直接改变分母与相对位置——把品类头部全部塞进题集，自家份额必然被稀释；只挑弱竞品，数字好看但骗不了决策。竞品清单要冻结、要有版本，改动即断代，这与题集纪律同等重要。
口径乱象：至少三种“模型份额”说的不是一件事
实践中被称为“模型份额”的数字至少有三种口径并存：按推荐倾向算的（问品类，看谁被推荐）、按引用算的（看参考列表里谁的域名多）、按提及算的（看正文中谁的名字出现）。三者各自对应站内已标准化的指标——AI SOV（AI 声量份额）、引用率、提及率。不同工具宣传语里的“份额”混用三种口径而不声明，是跨工具比较失真的主要来源；即便同口径，分母（是否计入竞品提示词、是否加权、采样几次）也各不相同。这与我们谈 AI SOV 时的纪律完全一致：先问口径，再看数字，只比自家趋势。
对外沟通时的措辞也要跟着口径走。向管理层或客户报告“模型份额”时，应同时交代清楚三件事：测的是哪种口径（推荐、引用还是提及）、题集怎么来的（合成还是真实日志的近似）、采样了多少轮。把这三个脚注带上，数字才是诚实的；拿掉脚注只留总分，它就从度量变成了修辞。
务实路线：拆成三件套分别监测
放弃单一总分，把 Share of Model 拆解为可操作的三件套：AI SOV 看覆盖面与竞争格局，提及率看“被说到”与情感，引用率看“被当作信源”。三者分开监测、分开归因，组合起来就能回答“品牌在这个模型的认知里处于什么位置”，且每个数字都有明确口径可审计。
三件套也各有短板，分开看才不会被单一维度误导。提及率高而引用率低：品牌被讨论，但没被当作信源——缺的是可引用的内容资产。引用率高而提及率低：内容好用但品牌不出名，答案里“用了你的数据、夸了别人的名”——缺的是品牌与内容的绑定。两个比率同时低、竞品同样不高：可能整个品类在模型侧都还薄，正是提前布局的窗口。这种交叉解读，正是拆解比总分更有价值的地方。
投入方向上，品牌侧证据链比反复试探合成提示词有效：全网品牌提及与 AI 可见度的相关性显著高于外链（见品牌提及术语卡与提及相关性数据卡），意味着提升模型份额的正道是增加高质量第三方提及与可验证内容。
另一个务实提醒：题集之外，还要固定“问法的一致性”。同一意图的不同措辞——“推荐几家”“哪家好”“怎么选”——在模型侧可能触发不同的检索与引用，把问法也纳入口径管理，三件套的数字才可比。这一条在实践中最常被忽略，也最容易在复盘时引发“数字为什么变了”的假警报。若需要一个跨引擎的结构视角，Presence·Portability·Concentration 三指标比单一 SOM 总分更能支撑资源分配决策。模型份额作为愿景可以留着，作为指标，先用三件套把它落地。
还有周期问题。模型世界的更新节奏与传统营销日历不同步：模型换代、索引滚动、平台政策调整随时发生，份额曲线上的台阶往往对应平台事件而非自家动作。复盘时先把平台事件标在曲线上，再谈自己的动作有没有效果——顺序反了，归因就成了玄学。
给概念本身留个公道：作为战略叙事，“Share of Model”是有用的——它让管理层直观理解“心智阵地正在从搜索框迁移到对话框”，预算与组织注意力的转移需要这样的语言。运营层用三件套说话，战略层用模型份额讲故事，两层各取所需，只要不把故事当数字用。