7个AI模型在161品类产品推荐研究

7 个前沿 AI 模型在 161 个品类里会推荐哪些产品？ @latentspacepod 团队构建了一个可公开查询的 "Frontier AEO Tracker"，对 AI 模型的推荐行为做了系统...

7 个前沿 AI 模型在 161 个品类里会推荐哪些产品？ @latentspacepod 团队构建了一个可公开查询的 "Frontier AEO Tracker"，对 AI 模型的推荐行为做了系统测量，详细数据在这： latent.space/p/aeo 先看看 AEO 是什么？ AEO（Answer Engine Optimization）是 SEO 的 AI 时代对应物：当用户越来越多地通过 ChatGPT、Claude 这类带搜索能力的模型（非传统 Google）来发现和选择产品，“成为模型的推荐答案”本身就成了一个可经营、可度量的渠道。 Latent Space 对自己内容做了一次“朴素的 AEO 投入”，发现 ROI 出乎意料地好，于是决定把它当回事，做成了系统性研究。方法论上，他们延续并扩展了 AmplifyingAI 的《What Claude Code Actually Choosoes》项目： · 6 种提示词变体 × 7 个模型（开启搜索）× 161 个品类，从 Coding Agent、托管数据库、语音识别，到天使投资人、创业薪酬软件这类； · 答案抽取由模型（Astra）自动完成； · 设计了专有的 AEO 分数：首选加权最高，备选和提及次之，轻度/强烈“反向推荐”（模型明确劝你别用）给负权重； · 所有提示词-回答对全部公开可查，烧掉了“几十亿 token"。 # 四个核心发现 1. 推荐格局高度集中，但远未完全固化。 161 个品类中有 28 个存在“所有模型一致首选”的统治级产品；但大量品类是差距微弱的“胶着战”；作者戏称有些产品 "always the vibesmaid, never the vibe"。这些胶着品类正是 AEO 最值得投入的主战场：头把交椅尚未锁死。 2. 模型的“自家偏好”真实存在。 Anthropic 的模型偏爱 Claude Code，OpenAI 的偏爱 Codex，Grok 偏爱 Cursor，Muse 偏爱自家 Muse Code，SWE-1.7 偏爱 Devin；作者只留下一句 "I wonder why"。但也有反例：GPT 系模型会推荐 Claude，被作者称为“值得称道的无偏见”。 3. 同厂代际之间会出现“后果很严重”的推荐翻转。 新一代预训练模型意味着实验室数据构成和 RL 优先级的变化，Opus→Fable、Sol→Astra 都出现了产品推荐位的实质性易主。这对创业公司的含义是：你在一个模型上建立的 AEO 优势，可能在下一次模型换代时清零——这是一项需要持续监测的资产，不是一次性工程。 4. “效率 vs 置信度”。Anthropic 似乎在把模型推向检索更多来源，而 Astra 检索更少、但对问题改写的抵抗力远强于上一代——轻微软述同一问题，它不太会换答案。作者点出的关键推论是：随着模型答案随机性下降，AEO 本身的价值在上升。当推荐从“抛硬币”变成“稳定输出”，拿下首选位的回报变得确定且可累积。 Latent.Space @latentspacepod 🆕 project: our Frontier AEO tracker What does Astra prioritize? what sources does it use? What shifted from Sol to Astra, and Opus to Fable? latent.space/p/aeo J all our answers within! 🔗 View Quoted Tweet 💬 0 🔄 0 ❤️ 0 👀 148 ⚡