问题——智能推荐走进“以旧换新”，为何答案会跑偏？ 近年来，智能搜索与内容生成工具逐渐成为公众获取商品信息的重要渠道，尤其手机“以旧换新”等高频、复杂的消费决策中，用户往往希望通过一句话获得“最值得买”的结论；但测试显示，大模型在“选品”场景中并非总能给出稳定、可核验的结果。封面新闻联合天府绛溪实验室在10天内围绕春节消费场景开展测试，借助实验室自研的公域大模型内容生成认知系统，对豆包、Kimi、通义千问三款产品发起超过两万次提问。在“以旧换新换手机”场景中，测试设定四个价格区间，并在24小时内以6至8分钟一次的频率反复提问、汇总对比。结果显示：其一，个别平台出现“信息幻觉”，把并不存在或尚未发布的机型写入推荐名单；其二，不同平台在具体型号和品牌排序上差异显著；其三，尽管推荐机型分化明显，但对主要品牌的“标签式认知”却趋于一致。 原因——训练知识、实时抓取与商业内容交织，放大“传闻权重” 在高端价位段梳理各平台推荐时，豆包曾将一款尚未发布的“iPhone 18 Pro”列为首选。测试提问时间点为2026年春节前夕，该系列远未到正式发布周期，此结论显然与事实不符。继续检索可见，网络上关于有关机型的预测、爆料与概念信息并不少见。天府绛溪实验室先进计算前沿研究中心副主任吴怀谷分析，大模型生成内容通常同时处理两类输入：一类是训练阶段形成的知识结构，另一类是通过实时检索抓取的外部信息，其中可能夹杂营销内容与广告投放。对未发布产品，网络传闻、预测稿、概念图等非确定性内容若在公开互联网中拥有较高传播度与权重，就容易被当作“事实材料”进入生成链条，从而造成“推荐未发布产品”的错误。这暴露出大模型在区分事实与传闻、证据与推测上仍存短板，也提示“来源可信度”与“证据链完整性”将成为智能推荐能否被信任的关键。 影响——推荐结果分化，可能误导消费；但品牌印象趋同，易固化市场认知 对比第三方机构基于销量、热度形成的榜单，三款产品在6000元以上价位段给出的推荐与现实热度存在明显差异。例如，通义千问在该价位段将部分三星机型排在前列，排序甚至超过在权威数据中更靠前的苹果、华为机型；而其他平台则更倾向优先推荐苹果、华为等。专家认为，差异背后与数据源结构有关：不同平台对生态内容的依赖程度、更新频率、抓取范围各不相同；对开放互联网权重较高的信息更敏感，而对相对封闭的讨论场域难以有效覆盖。由此带来的直接影响是，用户若将推荐结果视为“权威结论”，可能在预算较高的换机决策上被误导；品牌与新品若缺少公开互联网中的高权重信源，也更难在智能推荐中“被看见”。 不容忽视的是，尽管机型推荐分歧较大，但三款产品在描述品牌核心特征时呈现高度一致：如华为多与“鸿蒙生态”“自研”相关，苹果常被归纳为“生态闭环”“系统流畅”，OPPO则常被概括为“轻薄”“影像”等。这种趋同反映出海量公开讨论经过长期沉淀，正被模型吸收为相对稳定的“消费共识”。其积极面在于有助于用户快速建立品牌认知框架，但也可能固化刻板印象，使品牌创新亮点难以被及时反映。 对策——提升来源透明与核验能力，构建权威数据入口与行业规则 针对推荐偏差与信息混杂问题，业内建议从三上协同发力：一是平台侧完善事实核验与风险提示机制，对未发布产品、预测信息、缺少权威出处的结论应进行显著标注，必要时降低其推荐权重，并提升对时间敏感信息的校验能力；二是品牌与厂商应建立可被机器识别的权威信息供给体系，通过结构化数据、标准化接口等方式向外部提供经认证的参数、价格、发售节奏与售后政策，减少碎片化抓取带来的误差。吴怀谷指出，建立专属的可验证知识库并被平台有效调用，将有助于提升信息准确度与一致性；三是行业层面可探索形成更清晰的内容标注与数据治理规范，在商业内容、广告投放与客观信息之间设置更透明的边界，减少“看似中立的推荐”被营销策略左右。 前景——智能推荐将更深嵌消费链路，“可信度”将成为竞争高地 随着大模型能力迭代与智能搜索入口普及，未来其影响将从“信息检索”进一步延伸至“消费决策辅助”、售后服务与金融分期等链条环节。可以预见，“回答得快”不再是核心竞争力，“回答可核验、可追溯、可解释”将成为平台能否获得长期信任的决定因素。对消费者来说，面对智能推荐不妨多做交叉验证，把“结论”拆解为“依据”；对平台与企业而言，越早建立权威数据供给与透明标注机制，越能在新一轮信息分发格局中占据主动。
随着算法深入消费决策链条，这次测试不仅揭示技术改进空间，更引发对数字时代信息治理的思考。如何在保证算法效率的同时确保信息真实，平衡商业利益与用户权益，将是智能经济发展必须解决的核心问题。未来智能服务的竞争力，可能取决于其打造“真实信息防火墙”的能力和决心。