研究與評測
arXiv 論文分析 AI 生成文字晦澀成因：9 款前沿模型長句法依存與低頻詞過多，受資訊密度壓力背離人類溝通習慣
Hacker News單一來源
尚未逐項核實
目前依單一來源整理，這是來源數量描述，不是對消息真假的判定。
一份上傳至 arXiv 的預印本研究論文探討為何 AI 生成文本日益難以理解，並從心理語言學角度分析導致人類大腦處理困難的語意特徵。研究團隊建立跨領域 AI 生成文字語料庫，對比人類寫作與來回翻譯改寫的文本，評測了 9 款前沿與準前沿模型。
結果顯示，所有 9 款模型皆比人類寫作使用更多「無生命主詞搭配有生命動詞」以及低頻 n-gram；多數模型在對話情境中也表現出更長的句法依存關係、更多名詞堆疊與縮略受詞關係子句，且各模型家族之間存在明顯差異。
論文提出假說指出，人類語言以成功溝通為最佳化目標，但當前 AI 模型日益針對數學、程式碼與推理進行最佳化，產生追求「資訊密度」而非溝通效率的壓力。研究團隊透過在長度懲罰（length penalty）條件下微調語言模型進行概念驗證，證實此舉會導致語言行為進一步背離人類習慣，點出人類語言處理需求與模型處理邏輯之間的落差。
讀原始報導背景
來回翻譯（Round-trip translation）是指使用機器翻譯軟體將文字翻譯至另一種語言後，再翻譯回原始語言的處理過程。而在依存語法（Dependency grammar）中，詞彙等語法單位則是透過被稱為依存關係（dependencies）的有向連結，直接或間接與動詞相連。該研究便是藉由這些句法依存特徵以及來回翻譯產生的對照文本，分析 AI 生成內容在人類理解上的難度與差異。
社群討論
多數網友對 AI 文本日趨晦澀深有共鳴，直指其充斥過度緊湊的術語堆疊與及物動詞不及物化等曖昧語法，但也有少數人認為只要習慣其隱喻並無閱讀障礙。討論進一步引述論文指出，在 GRPO 或 RLVR 等強化學習中加入長度懲罰（length penalty），加上追求程式碼與推理效能的目標，導致模型（如 Claude Opus 系列）意外湧現出極度壓縮、脫離人類閱讀直覺的語言風格。
來源
本期分類
相關主題