Opus 5.5 爱说"这很重要"：AI 写作的破绽

如果你最近读到的英文文章里，作者不断强调某件事"很重要"（this matters），并且反复使用"可靠"（dependable）这个词，那么你读到的很可能不是人写的。至少，TechCrunch 记者 Russell Brandom 是这么认为的。

在 10 月 2 日的一篇报道中，Brandom 梳理了 Anthropic 最新旗舰模型 Opus 5.5 留下的语言痕迹：在研究者抽取的大规模文本样本中，"dependable"一词在该模型输出里的出现频率，比人类写作样本高出 23 倍。而"this matters"这类短句，则几乎成了它论述段落收尾时的条件反射。

一个词，就是一个模型的指纹

这并非新现象，却是第一次被如此量化。过去两年，分析人士早已总结出一份非正式的"AI 高频词黑名单"：早期的 GPT 系列偏爱 delve（深入探讨）、tapestry（织锦）、testament（见证）；后来的模型则轮番宠幸 nuanced（微妙的）、robust（稳健的）、landscape（格局）。到了 Opus 5.5 这一代，"dependable"接过了接力棒。

值得注意的是，这些词本身并没有错。"dependable"是个体面的英文形容词，"this matters"也是标准的论述句式。问题在于密度——当某个词在机器输出中的出现概率是人类的 23 倍时，它就不再是作者的个人风格，而是一串可供识别的统计指纹。

这种指纹的可识别性，正在改变内容行业的日常。编辑在收到投稿时会下意识地数一数那几个词；招聘方在阅读求职信时会留意句式的"过度工整"；社交平台则把它写进反垃圾内容的规则里。人类读者凭直觉就能感到的那种"哪里不对劲"，如今被数据坐实了。

为什么大模型会染上"口头禅"

要理解这些执念，得回到模型的训练方式。

首先是人类反馈强化学习（RLHF）。为了让模型"有用、诚实、无害"，训练者会用偏好排序不断调整它的输出。而评测者在打分时，天然偏爱语气笃定、态度谦和、结构清晰的回答。久而久之，模型学会了一套"安全修辞"：先铺垫、再强调、最后点题。"this matters"正是这套结构里最好用的粘合剂——它不承担信息量，却能制造出"我在认真论述"的氛围。

其次是合成数据的自循环。当互联网上越来越多的文本由模型生成，下一代模型在爬取语料时，就会把这些机器文本当作"人类文本"学习。研究者称之为模型自噬（model collapse）的早期形态：风格多样性被反复压缩，某些表达被不断强化，最终形成一个自我复制的闭环。"dependable"的 23 倍溢出，很可能就是这种闭环的产物。

第三个因素更微妙：对齐训练中的"稳妥偏好"。模型被反复教导要避免极端表述、避免过度承诺，于是"可靠""稳健""平衡"这类词获得了隐性加权。换句话说，AI 的口头禅不只是技术副产品，也是价值观训练的副产品。

检测与反检测的军备竞赛

语言指纹的暴露，直接催生了一整条产业链。

检测一侧，除了统计词频，还有基于困惑度（perplexity）与突发性（burstiness）的算法检测器——人类写作的句子长度起伏更大，而模型输出更平滑。水印技术则更进一步：在采样阶段就嵌入人类不可感知、但可被算法提取的统计信号。

规避一侧同样进化迅速。用户学会了在提示词里加入"不要使用 dependable""避免说 this matters"这类禁令，模型也确实会照做。结果是一场永不停歇的猫鼠游戏：新模型上线，新的高频词浮现，新的黑名单被整理出来，再被写进下一轮提示词。

但这场游戏有个尴尬的前提：只要检测依赖的是风格特征而非事实核查，它就永远只能给出概率判断，也永远会被更新的模型绕过。真正稳妥的识别方式，仍然是追问文本之外的东西——作者能否为细节负责，能否提供可核验的一手信息。

编者按：语言指纹的暴露，表面上是模型的一次尴尬，实际上是整个内容生态的一面镜子。当写作风格被少数几个模型统一，受损的不只是"谁写的"这个判断，更是公共表达本身的多样性。我们或许该关心的不是 AI 写得像不像人，而是人还愿不愿意写得像自己。

真正的问题不是"谁写的"

从更长的尺度看，AI 写作特征词的更替，本身就是一部浓缩的模型演化史。"delve"属于 GPT-3.5 时代，"nuanced"属于对话模型成熟期，而"dependable"则属于一个强调可靠性与长期任务执行的新阶段——模型厂商希望传达的定位，最终悄悄渗进了它的措辞里。

这也解释了一个耐人寻味的现象：模型的口头禅，往往和厂商想塑造的产品形象高度一致。Opus 5.5 被包装成"值得托付的可靠伙伴"，于是它在字里行间不停地自我确认。这既像是一种营销的后遗症，也像是一种无意识的自我暗示。

对普通读者而言，最实用的建议或许很简单：当你读到一段文字，觉得它反复告诉你"这很重要"，却始终没说清为什么重要，那就先别急着相信。这个判断标准，对人和对 AI，其实都成立。

本文编译自 TechCrunch