大模型用户留存模式——OpenAI没那么神

灰姑娘的"玻璃鞋"现象
队列留存率。留存率以活跃留存衡量，即使用户在非活跃期后返回，只要在后续月份有活动即计入；因此曲线可能出现小的非单调波动。
这组留存图表捕捉了主要模型的大语言模型用户市场动态。乍看之下，数据呈现出高流失率和用户群的快速衰减。然而，在这种波动之下，隐藏着一个更微妙且更重要的信号：一小部分早期用户群随时间推移表现出持久的留存。我们称这些为奠基用户队列。
首次解决问题作为持久优势。当一个模型率先解决了一个关键工作负载时，传统的先发优势就变得尤为重要。早期采用者将该模型嵌入到其管道、基础设施和用户行为中，导致极高的转换摩擦。这创造了一个稳定的均衡状态，即使有新的替代方案出现，该模型也能保留其奠基用户队列。
留存作为能力拐点的指标。队列级别的留存模式可作为模型差异化的实证信号。一个或多个早期队列的持续留存表明存在有意义的能力拐点——即某类工作负载从不可行变为可行。缺乏这种模式则表明能力趋同，差异化深度有限。
前沿窗口的时间约束。竞争格局施加了一个狭窄的时间窗口，模型在此期间可以捕获奠基用户。随着后续模型逐渐缩小能力差距，形成新的奠基用户队列的概率会急剧下降。因此，模型与工作负载精确匹配的"灰姑娘时刻"虽是短暂的，但对于长期的采用动态却具有决定性意义。
总之，基础模型能力的快速转变需要重新定义用户留存。每一代新模型都提供了一个短暂的机会来解决先前未能满足的工作负载。当这种匹配发生时，受影响的用户会形成奠基用户队列：这些用户群的留存轨迹在后续模型推出时依然保持稳定。
主导发布的异常现象。OpenAI GPT-4o Mini 的图表极端地展示了这一现象。一个奠基用户队列（2024年7月，橙色线）在发布时就建立了一个主导且牢固的工作负载-模型契合。所有后续的队列，在这个契合建立且市场已经转向后才到来，其行为完全一致：他们迅速流失并聚集在底部。这表明，建立这种奠基性契合的窗口是唯一的，并且只发生在模型被市场视为"前沿"的时刻。
无契合的后果。Gemini 2.0 Flash 和 Llama 4 Maverick 的图表展示了一个警示性故事，说明了当初始契合从未建立时会发生什么。与其他模型不同，它们没有高留存表现的奠基用户队列。每一个队列的表现都同样糟糕。这表明这些模型从未被视为解决高价值、高粘性工作负载的"前沿"。它们直接进入了"足够好"的市场，因此未能锁定任何用户基础。类似地，尽管 DeepSeek 总体上取得了巨大成功，但其混乱的留存图表也显示出其难以建立一个稳定的奠基用户队列。
回旋镖效应。DeepSeek 模型引入了一种更复杂的模式。它们的留存曲线展示了一个极不寻常的异常现象：复活式跃升。与典型的单调递减留存不同，多个 DeepSeek 队列在经历最初的流失期后，留存率出现了明显的回升（例如，DeepSeek R1 的 2025 年 4 月队列在第 3 个月左右，以及 DeepSeek Chat V3-0324 的 2025 年 7 月队列在第 2 个月左右）。这表明一些流失的用户正在回归该模型。这种"回旋镖效应"暗示，这些用户在尝试了替代方案并通过竞争性测试确认后，由于 DeepSeek 在其特定工作负载上提供了最优的、且往往是更好的契合（凭借其卓越的专业技术性能、成本效益或其他独特功能的组合），从而选择回归。
启示。"玻璃鞋"现象重塑了对留存的理解——它不再仅仅是一个结果，而是理解能力突破的一个视角。奠基用户队列是真实技术进步留下的指纹：它们标志着人工智能模型从新奇事物转变为必需品的关键节点。对于构建者和投资者而言，及早识别这些队列，可能是预测模型能否获得持久市场优势的最具指示性的信号。