作者：Lingo　发布：2026-07-08　阅读时间：25 分钟

中文“AI 味”是怎样被训练出来的？

开源中文写作 Skill：Chinese Prose Style

这套 Skill 首轮只使用按优先级排列的通用规则，先检查事实来源、全文主问题和句子之间的对象交接。只有用户反复否定修改结果，或者通用规则无法解释冲突时，才读取案例参考。

模型怎样学会行动，以及谁替它定义“做成了”。

这句话读起来顺，也像一条明确的结论。仔细看，信息并不充分。“学会行动”没有说明训练改变了哪个量；“谁替它定义”把评测系统写成了一个人；引号里的“做成了”又增加了一点刻意的口语感。

更准确的表达是：

训练提高某些工具调用和代码修改被选择的概率，评测环境决定哪些结果被计为成功。

训练改变输出概率，评测环境提供成功标准。原句用比喻替代了这两个可以核对的机制。

中文读者所说的“AI 味”，经常包含这种情况。文字语法正确，结构也完整，但排比制造了节奏，抽象名词省略了动作，比喻代替了因果。读者看到的是结论的语气，找不到得出结论所需的事实。

这种文风没有一个单独来源。预训练决定哪些中文结构容易出现，监督微调提供回答范本，偏好数据再选择其中更容易得到高分的形式。数据生产被外包以后，任务说明和质量指标还会影响标注结果。模型生成的数据进入下一代训练集，又会继续传播已经形成的表达习惯。

把这些现象全部归因于 RLHF，同样过于简单。现有实验能确认指令微调后的模型出现了更稳定的回答体，也能确认奖励模型偏爱某些格式，但还不能把一个中文比喻追溯到某轮具体训练。观察、实验结果和推断需要分开。

中文互联网先看到了哪些重复结构

不少中文作者已经开始记录这些问题，只是他们使用的证据强度不同。

完整结构不能代替判断，清单要说明先看什么；例子和“研究表明”都应有可核对的来源。这篇知乎文章把相关问题拆成了 12 条。

这 12 条不是 12 种互相独立的模型缺陷。文章本身也采用编号、小标题、解释、例子和一句小结的固定结构，最后再归并成三类。这种写法适合一篇供人检索的指南，不能因为结构整齐就判断它有 AI 味。真正的问题是结构是否服务任务，以及各部分有没有信息上的主次。

“观点太安全”和“例子不落地”还需要更准确的标准。强烈立场不等于真实判断；证据不足时，保留意见反而更负责。案例写上时间、数字和人物也不会自动变真，模型完全可以生成具体但不存在的细节。文章需要在证据允许的范围内作出取舍，案例中的细节则必须能追溯到原稿或来源。

“作者认知边界”可以改写成可检查的证据边界，不必解释成 AI 没有自觉。可以观察的是，模型使用了多确定的语气，以及这种语气是否符合证据。EMNLP 2025 的研究发现，模型文字中表达的不确定性与语义不确定性只有中等相关；两者错配比单看语义不确定性更能预测幻觉。研究者在推理时校准这种错配，短回答里的高置信错误平均相对减少约 30%。Calibrating Verbal Uncertainty as a Linear Feature

Nature 2024 的语义熵研究从同一问题的多次回答中比较含义差异，可以发现一类随采样变化的错误，并让系统在高风险问题上拒答。Detecting hallucinations in large language models using semantic entropy 它检测不了所有持续一致的错误。这说明“暴露边界”不能只靠加一句“我可能不对”，仍要核对来源，并在证据结束处缩小结论。

另一篇科普文章把“AI 味”概括为语言浮夸、情感克制、结构刻板和内容宽泛。这四项描述容易让读者认出熟悉的文本，却不能直接解释成因。文章说模型逐词选择最“安全”的表达，实际生成过程是按条件概率和解码策略选取 token；它还把中文文风归因于新闻、百科和论文占据训练语料，但闭源模型没有公开足以支持这一比例判断的完整语料清单。

这篇科普文连续使用兑水可乐、稳健投资者、汽车生产线和手工艺人来解释同一个问题，也暴露出另一种困难。比喻让观点容易记住，却可能跳过可检验的中间步骤。讨论训练机制时，需要把比喻改回语料、目标函数和评测数据。

RUC 新闻坊收集了小红书上 142 条相关笔记，从中编码出 215 条对“AI 味”的描述。三段式、翻译腔和频繁使用拟人或比喻，是样本中最常出现的判断。他们又让 7 个模型完成同一道高考作文题，与学生范文比较。常被当成 AI 标记的破折号和引号没有表现出可靠差异；在这组样本里，模型使用的对偶、排比和比喻更多。拆解“AI 味”：我们为何反感 AI 写作？

这不是经过同行评审的通用结论。作文题只有一种，提示和模型版本也会影响结果。单个标点不能可靠识别 AI 文本，这组调查记录到的反感主要指向多种结构连续重复。

少数派一篇实践文章用相同材料重写旧稿，逐项记录了 不是 A，而是 B、延伸过长的比喻、完全相同的章节结构和程式化过渡。作者加入写作 Skill 后，主观估计重度“AI 味”减少了四到五成，但没有盲评或统一量表，修改后的文章也没有摆脱所有对称句。AI + Skill，能够让生成的文章去除 AI 味吗？

“四到五成”没有统一量表，失败部分更值得参考。禁止破折号可能让模型换一种模板，增加更多禁词也可能产生新的固定写法。审校应检查一句话是否忠于材料，以及一个比喻有没有替代机制，不能只统计标点。

另一篇文章逐句标注了十几部 AI 短篇，把很多固定句式归因于英译中。“AI 味”的本质是什么？ 这是一项作者经验，足以提出“翻译腔”假设，不足以证明它是唯一原因。

先区分现象和原因

AI 文本检测研究能告诉我们哪些统计特征经常一起出现，不能单独证明这些特征为什么出现。

CCL 2025 的一项研究收集了 463,382 条微博评论，比较 LLM 机器人和真实用户的中文表达。研究者利用文体特征训练的分类器取得了 91.8% 的 F1 分数。这说明两组文本存在可识别的分布差异，不等于每个被识别的句子都一定由 AI 生成。Linguistic Differences between AI and Human Comments in Weibo

另一项跨领域中文研究比较 DeepSeek R1、Phi-4 和 Qwen 2.5 的生成文本与人类文本。句长变化较小、标点密集和词汇选择重复，与模型生成组更相关；不过，不同模型的可检测程度并不相同，Qwen 2.5 更难判断。Research on AI-generated Chinese text detection

所以，顿号多、句子整齐或者常用“此外”，都只能作为编辑线索。它们不是可靠的作者鉴定方法，也不是应该机械删除的词表。真正要解释的是：为什么若干模型会反复选择相似结构。

预训练提供中文表达的初始概率

基础语言模型根据前文预测下一个 token。训练目标可以写成：

$D$ 是训练语料，$x_t$ 是当前位置的 token，也就是模型处理的一小段文字。$p_\theta$ 表示模型按当前参数给出的概率。训练不断降低公式里的损失，使语料中实际出现的 token 更可能被预测出来。这个目标不判断一句话有没有“人味”，只拟合语料中的统计关系。

封闭模型没有公开完整中文语料构成，因此不能直接断言某一种公文或新闻体裁占了多少比例。能够确定的是，网络文本、百科、新闻、论文和问答材料都大量使用规范书面语。它们为模型提供了稳定的主谓结构、显式连接词和完整论证格式。当前文没有明确作者声音时，这些高频结构更容易被采样出来。

预训练不是全部原因。人类原始文本本来包含大量不规则表达，后续训练还会重新调整它们的概率。

翻译和监督微调会改变中文句法

很多中文指令数据并非直接由中文作者撰写。公开项目给出了具体例子。BELLE 的早期说明写明，其中文微调只使用 ChatGPT 生成的数据。BELLE Alpaca-CoT 收录的 alpaca_gpt4_data_zh 来自先把 Alpaca 提示翻译成中文，再由 GPT-4 生成回答；另一组中文思维链数据由 Google Translate 从英文数据翻译而来。Alpaca-CoT 数据说明

这些公开数据不能代表所有商业模型，却证明这种做法已经被实际采用：英文任务模板经过机器翻译或模型生成，随后成为中文模型的监督样本。源语言的句法和任务格式因此可能进入中文输出。

ACL 2025 的研究进一步发现，即使基础模型已经在大量自然语言上预训练，监督微调仍会引入过度直译和不自然表达。研究者清洗参考译文并过滤不自然样本后，翻译腔显著减少。Lost in Literalism

英译中的对照实验也观察到稳定差异。ChatGPT 3.5 倾向保留更长的句子，人类译者更常把复杂句拆开，也更常把英文被动句改成中文主动句。What are the differences?

中文 AI 文本中的长句和显式结构，有一部分可能来自监督数据的翻译方式。它不能解释所有排比，也不能证明某个商业模型直接使用了上述数据集。

一项 PNAS 研究从英文语料中取出 12,000 篇跨体裁文本，让 GPT-4o 和多种 Llama 3 模型续写，再与人类原文比较。即使提示要求模仿原文风格，指令微调模型仍然更偏向信息密集、名词较多的句法。GPT-4o 的名词化表达约为人类的 2.1 倍，短语并列约为 1.9 倍。Llama 的基座模型反而更接近人类语料，模型大小带来的文体差异没有后训练带来的差异明显。Do LLMs write like humans?

这项研究不是中文实验，也没有把监督微调、偏好优化和其他后训练步骤逐一拆开。它能支持的结论是：可辨认的统一文风不只来自预训练，指令训练过程会明显改变输出形式。

ICLR 2024 的一项协作写作实验观察到了内容趋同。38 名英语写作者围绕 10 个议题完成 300 篇短文，分别独立写作、使用 GPT-3 基座模型或使用 InstructGPT。InstructGPT 组的词汇和观点多样性下降，基座模型组没有出现同样幅度的变化。让同一模型对同一提示续写五次，InstructGPT 输出之间的 ROUGE-L 相似度为 0.20，GPT-3 为 0.11。Does Writing with Language Models Reduce Content Diversity?

样本规模和旧模型限制了外推范围。这项实验仍与 PNAS 的结果一致：能遵循指令的模型未必拥有更大的文体变化，它也可能把不同作者带向相似表达。

偏好训练选择什么样的回答

指令微调以后，模型还会接收偏好数据。InstructGPT 的流程先让标注员写示范，再让标注员比较两份模型回答。论文报告团队雇用了约 40 名合同标注员。模型并没有直接接触“用户长期是否满意”这个结果，它接触的是在给定任务说明下，哪份回答被选中。Training language models to follow instructions with human feedback

如果回答 $y_w$ 胜过 $y_l$，常见的奖励模型会学习这个比较概率：

$r_\phi$ 是奖励模型给回答计算的分数，$\sigma$ 把两个分数之差转换为 0 到 1 之间的胜出概率。这个分数不等于事实正确率，它拟合的是已有比较数据。任务说明改变，标注员改变，标签也可能改变。2025 年一项复标实验发现，分歧主要受任务形式和标注者选择影响；把单独评分换成二选一，并没有自动得到更高质量的数据。Sources of Disagreement in Data for LLM Instruction Tuning

格式偏好已经有直接实验。ACL 2025 的研究发现，人类评审、GPT-4 和多种奖励模型都会受列表、链接、粗体和 emoji 影响。在 71,600 对基础偏好数据中加入 0.7% 的“列表答案优先”样本，奖励模型对列表的偏好从 51% 升至 77.5%；同等比例的粗体偏置样本把粗体偏好从 57.5% 推到 88%。后续的 best-of-n 和 DPO 还会利用这种偏差。From Lists to Emojis

另一项研究把长度、结构、术语、奉承和含糊表达分别放大，再观察偏好模型是否选中。偏好模型在超过 60% 的样本中选择了被人为加强的表面特征，与人类偏好的错配接近 40%。Flattery, Fluff, and Fog

这些结果可以解释为什么列表和完整结构容易增加。至于无必要的比喻，目前没有论文证明奖励模型普遍偏爱比喻。更稳妥的解释是一项推断：比喻能在很短的文本里制造“观点已经被概括”的信号，评审者又很难在快速比较中核对它是否准确。它可能因此与清晰、有洞见等标签产生表面相关。这个推断需要专门实验，不能写成已经确认的训练规律。

偏好数据还可能奖励迎合。ICLR 2024 的研究在五个 AI 助手和四类自由生成任务中观察到谄媚行为；分析现有偏好数据后，研究者发现符合用户观点的回答更可能被选中，偏好模型有时会牺牲真实性。Towards Understanding Sycophancy in Language Models 这可以解释一部分听起来顺从、少有冲突的回答，不能证明所有中立表达都是训练造成的。

谁在生产偏好数据

“人类反馈”容易让人以为，标签直接代表普通用户的共同意见。实际流程通常更长：

模型开发者制定目标和任务说明
        ↓
外包公司或众包平台拆分任务
        ↓
标注员写示范、比较回答或检查输出
        ↓
质量抽查、聚合与数据清洗
        ↓
奖励模型或偏好优化算法
        ↓
面向用户的模型输出

每一层都可能改变“好回答”的含义。开发者先把 helpful、harmless 或专业这类目标写成任务说明。外包组织据此制定交付数量和质检标准，标注员再在时限内判断回答。进入训练的标签已经经过任务设计、劳动管理和统计聚合，不能直接等同于所有用户的偏好。

Miceli 和 Posada 调查了委内瑞拉的三个平台与阿根廷一家外包公司。他们分析 210 份任务说明，访谈 55 名工人、管理者和委托方。研究发现，任务说明反映委托方对问题的解释，界面和绩效指标又限制标注员怎样提交判断。The Data-Production Dispositif

在印度两家标注中心进行的民族志研究发现，任务数量、工作时间、质量和人员表现都被转成计数指标。作者认为，这种管理方式使标注过程趋向标准化，也压缩了工人在模糊案例中使用判断的空间。Making Data Work Count

2025 年一项拉丁美洲研究调查了阿根廷 220 人、巴西 477 人和委内瑞拉 214 人。数据工作通常通过平台或分包网络组织，参与者教育程度并不低，但工作仍普遍受经济困难、非正式就业和不稳定收入影响。The digital labour of artificial intelligence in Latin America

不同标注员不会给出完全相同的判断。POPQUORN 收集 1,484 名标注者的 45,000 条标签，发现教育背景等个人差异会显著影响判断。When Do Annotator Demographics Matter?

因此，不能把 AI 文风简单归咎于某一位标注员“喜欢官话”。这些研究给出了一项更合理的推断：写作质量被压缩成二选一或分数以后，容易检查的结构特征更有机会进入标签，长期事实准确性则很难在一次短评中被观察到。

AI 也开始生成偏好标签

随着模型能力提高，部分流程开始用模型替代人工比较。Anthropic 的 Constitutional AI 让模型依据一组原则批评并修改回答，再由模型比较两份输出，生成用于奖励学习的偏好数据。这样可以减少有害性标注所需的人力。Constitutional AI

这并没有消除价值选择。人仍然编写原则、选择任务和确定评测方式；反馈模型还会带入自己的格式偏好。当前模型既参与生成回答，也越来越多地参与筛选训练数据。若同一种结构同时方便生成和自动评分，它被重复选中的机会就会增加。

蒸馏会传播回答形式

知识蒸馏通常让一个教师模型生成答案，再用这些答案训练学生模型。简化后可以写成：

$T(x)$ 是教师模型对问题 $x$ 的回答，$D_{\mathrm{syn}}$ 是由这些问答组成的合成数据集。第二个式子表示学生模型 $S$ 调整参数，降低生成教师答案时的预测损失。教师常用的组织方式、拒答习惯和措辞也在训练样本中，除非数据处理专门移除它们。

跨模型生成训练数据并不是推测。Stanford Alpaca 用 OpenAI 的 text-davinci-003 生成 52,000 条示范，再微调 Meta 的 LLaMA 7B。项目作者还观察到，Alpaca 的回答偏短，继承了教师模型的长度习惯。Alpaca BELLE 公开说明早期中文模型只使用 ChatGPT 生成的微调数据。DeepSeek-R1 则公开发布了六个蒸馏模型，把 R1 生成的推理数据用于 Qwen 和 Llama 系列基座。DeepSeek-R1

厂商技术报告也披露了更大规模的合成训练。Microsoft 的 Phi-4 报告称，早期 Phi 模型主要蒸馏 GPT-4；Phi-4 构造了约 4000 亿个未加权合成 token，最终训练配比中合成数据占 40%。Phi-4 Technical Report 阿里云的 DistilQwen2.5 论文则写明，中文数据由 Qwen-max 生成，其他语言使用 GPT-4 或 GPT-4o 作为教师。DistilQwen2.5

但“各大厂商正在互相蒸馏”仍然超出了公开证据。2026 年 2 月，Anthropic 声称 DeepSeek、Moonshot 和 MiniMax 通过约 24,000 个欺诈账户产生超过 1,600 万次 Claude 交互，用于能力提取。Anthropic 的披露 这是 Anthropic 的归因结果，目前不等于经过独立审计并由相关公司共同确认的行业事实。

可以确认的是，模型输出已经被用于训练其他模型，直接蒸馏只是公开案例中的一种做法。这证明文风存在跨模型传播的渠道，但公开资料无法量化它对各家模型中文文风的贡献。

一项递归微调实验提供了可测量的风险。研究者让 OPT-350M 在新闻摘要、科学摘要和故事生成任务上反复生成数据，再用这些数据训练下一轮。六轮以后，新闻摘要的 Distinct-3 从 68.5 降到 49.2，科学摘要从 48.3 降到 29.5；故事的句法多样性指标从 4.23 降到 1.96。The Curious Decline of Linguistic Diversity

这是英文小模型在特定递归训练中的结果，不能直接描述闭源前沿模型。它证明的范围很窄：如果模型持续学习上一轮生成文本，词汇和句法差异可能减少。

Nature 2024 的模型退化研究提供了更严格的边界：如果后续模型不加区分地使用递归生成数据，原始分布中低频部分会先消失，长期训练可能降低分布多样性。AI models collapse when trained on recursively generated data 这不代表使用合成数据必然失败。论文讨论的是特定递归训练条件，保留真实数据和控制混合方式会改变结果。

为什么多种模型会写出相似的中文

这些机制的证据强度并不相同：

这些机制可以同时发生。预训练使常见书面语获得较高概率。监督数据可能把英文任务结构带进中文。偏好训练提高列表和完整回答被选择的概率，蒸馏与合成数据又可能把这些表达传给其他模型。没有哪一步能够单独解释全部“AI 味”。

助手的过程说明为什么会进入成品

“AI 味”还有一种表现，不在句式，而在叙述位置。模型没有直接谈文章或产品，反而解释自己准备怎样写、刚刚改了什么，或者为什么保留某段材料。“下面会讨论什么”“其中几条适合直接改稿”“原文目前无法访问”，都是工作过程，不是读者需要的结果。

这类文字与助手的训练和使用方式有关。教程、项目报告和产品说明为预训练提供了大量过程性表达；指令微调又经常要求模型解释步骤和汇报完成情况。到了 Agent 对话中，需求、计划、工具调用和修改记录还会同时留在上下文里。若最终文章或界面文案直接从这段执行上下文继续生成，模型就可能把刚出现的工作记录写进成品。公开资料还不能量化这些来源各自贡献了多少。

过程信息并非一律无用。研究方法会影响证据是否成立，事故时间线本身也可能是文章主题。除此以外，成品应直接给出整理后的事实和判断。产品界面则使用用户能看到的对象和状态：

最终审校需要暂时离开执行对话，只看读者将收到的成品。若一句话只能解释作者或智能体做过什么，删除以后又不影响事实、论证或操作，这句话就不该留在正文和界面中。

Skill 只能约束交付前的表达

中文写作 Skill 不维护“AI 高频词黑名单”。首轮编辑只加载按优先级排列的通用规则：先保留事实和作者观点，再检查全文是否围绕一个主问题，随后处理对象交接、信息增量和句法节奏。

通用规则要求关键句写清谁在什么条件下做了什么。行动者、业务阶段或证据状态发生变化时，句子要说明真实关系；主语变化本身不需要机械补连接词。段尾如果只是用“路径”“机制”或“能力”重述前文，应直接删除。

案例参考不会在首轮自动加载。只有用户连续否定至少两版、明确要求案例诊断，或者同一问题经过自检仍然复发时，Skill 才读取案例。案例负责识别失败类型，不能覆盖事实、证据边界和作者观点。

比喻审校先还原字面机制。对应关系明确、确实缩短解释且不改变因果的比喻才能保留。

例如：

完成句子级检查后，Skill 还会检查相邻章节是否反复使用“提出问题—举例—总结”，一个比喻是否继续拆出多个子比喻，情绪强度是否来自原始材料。Skill 不会机械禁止破折号或冒号，因为标点黑名单只能迫使模型改用另一种句式。

信息优先级和证据边界也属于审校对象。长文先确定主要主张或决策，章节篇幅按重要性分配。具体案例必须能追溯到来源，重要结论则要区分已核实事实、推断和未决问题。Skill 不会要求模型故意把观点写得激烈，也不会靠随意添加“可能”来表演谨慎。

元叙述审校删除调研障碍、修改记录、章节预告和措辞选择。产品文案则改写为用户可见对象、状态、动作或结果。过程只有在研究方法、事故时间线或版本变更本身就是主题时才保留。

通用规则只在推理时增加约束，不会更新模型参数。上下文很长或任务与规则冲突时，模型仍可能回到原来的高概率表达。Skill 能要求模型在交付前检查文字，不能从训练数据中删除已经形成的偏好。目前也没有统一的中文基准可以证明这套 Skill 稳定提升所有文体，因此公开仓库不会声称一个尚未测得的提升比例。

结论

把“AI 味”解释成模型没有感情，无法指导修改。更可检验的解释来自数据和选择过程：哪些文本进入训练集，谁制定比较规则，哪些表面特征更容易得到奖励，模型输出又怎样进入下一批数据。

修改时先找主结论和证据边界。排比中的每一项都应增加信息，比喻则必须能还原成具体变量和因果。结构再完整，也不能代替取舍。面向读者和用户的成品只保留主题内容，执行轨迹不应伪装成文章或产品的一部分。