AI答案里的数字，我按单位拆开跑完发现：带百分号的引用存活期是纯数字的2.3倍

上周把跑批日志里近90天的AI答案引用记录扒出来，一共筛出带数字的引用样本 1,847 条。我干了一件之前没干过的事：不按品牌、不按平台、不按问句类型切，先按「数字后面跟什么单位」切。

结果先摆这儿：

纯数字那一组，29% 的存活率，中位数 5 天，低得扎眼。但我先泼自己一盆冷水：这个相关性里藏着和口径的共线性。 纯数字样本里，很大一部分来自参数表、型号编号、版本号这类本身就会随产品迭代变动的字段——它们「死得快」可能不是因为没单位，而是因为源页本身就在高频改动。

所以我做了第二层拆：把纯数字组再按「源页 30 天内是否改过」分箱。

• 源页没改过 + 纯数字无单位：存活率 44%，中位 9 天
• 源页改过 + 纯数字无单位：存活率 18%，中位 3 天
• 源页没改过 + 百分比：存活率 71%，中位 20 天

结论变了一点但没翻盘：单位本身有效应，但没我第一眼看到的那么大；真正的大头是「源页有没有被动过」。 百分比那组之所以稳，很可能是写百分比的内容天然更接近「结论性表述」，不容易被下一版数据覆盖。

踩坑记录两条：

1. 第一次统计我把「¥」和「元」混在一个桶里，结果金额组的存活率被拉低了 9 个百分点。 因为写「元」的那批内容多来自二手转载页，源页存活本身就短。统一币种写法后数字才干净。
2. 存活期我只按「首次出现到消失」算，没扣掉平台抓取延迟。 后来拿一批人工埋点的样本校准，发现平均有 1.8 天的观测偏差，对中位数 5 天的那组来说这个偏差不能忽略。

给要复现的人三个前提：分母是「含数字且可追溯到单一源页」的引用；存活判断以连续两个抓取周期缺席为准；源页改动记录以 HTML 内容哈希变化为准，不看更新时间戳（那个可以刷）。

现在我想问的是：你们在统计引用存活期的时候，观测窗口是按天还是按抓取批次算的？ 我这边按天算和按批次算，纯数字那组的存活率差了 13 个百分点，想看看别家是怎么处理这个颗粒度问题的。