中文 | English
一个基于 283 万字语料统计的去 AI 味 skill
这个 skill 希望用语言学的研究方式，来量化"什么是 AI 味"，并致力于去除 AI 写作的"AI 味"。该 skill 在 moxt.ai 制作。
研究以 629 篇文章（2,826,972 汉字，95,551 句，45,721 段）构建对照语料，其中 300 篇由五个主流模型在受控条件下生成，329 篇为人类作者的写作文本。检验了 26 项在公共讨论中被广泛认作"AI 文风"的候选特征，逐项计算生成侧与人类侧的频率比。
结果显示，11 项特征通过检验，有明显的区分度，其中区分力最强者为段首零回指评论（4.4 倍）。另有 15 项不具备区分力，部分项的方向与流行认知相反：人类使用比喻的频率为生成文本的 2.4 倍，正文设问句为 17 倍，句内同构排比亦高于生成文本。
研究同时发现，不同大模型的"AI 味"表现不同。例如破折号，DeepSeek 每千字 5.16 次、Claude 4.25 次，而 GPT 只有 0.11 次，极差达四十倍；提示性冒号最重的是 DeepSeek 与 Claude，问句小标题最重的是 Gemini。所谓"AI 文风"并非单一形态。
文末报告了六次因算子设计缺陷导致的测量失误及其修正过程，并讨论了单一模型样本、分母选择与语料不可核验三项方法局限。
关键词 生成文本识别；中文句法；语料库语言学；篇章衔接；对照研究
大语言模型生成的中文文本存在某种可感知的风格特征，公共讨论中称之为"AI 味"。这一判断在写作者社群中具有高度共识，但支撑它的证据基本停留在个案观察层面。
流通中的判别清单大致包含以下条目：破折号使用过密；对举结构（"不是 A 而是 B"）反复出现；句长分布过于均匀；单字虚词（就、很、了）偏少；以具体物象包装抽象概念（"记忆的仓库"）；设问后立即自答。这些条目通过社交媒体反复传播，逐步取得了近似常识的地位。
问题在于，它们从未被系统检验。清单中的条目来源各异，有的出自对早期模型输出的观察，有的来自英文语境的研究结论直接移植，有的仅是个别写作者的印象。其中哪些具有统计意义上的区分力，哪些是观察者偏差的产物，哪些方向甚至是相反的，缺乏可对照的证据。
本研究的目标不是提出新的判别清单，而是对既有清单逐项检验，并给出可复算的判定程序。
采用对照设计。以文本来源（模型生成 / 人类写作）为自变量，以各候选句法特征的出现频率为因变量。
有效对照要求控制三类混淆因素。
主题与文体。 生成侧的话题范围与文体设定与人类侧对齐。若两侧写作对象不属同类，观测到的差异无法归因于文本来源，可能仅反映文体差异。
模型个体差异。 生成侧采用五个模型各 60 篇，而非单一模型。研究初期曾以两个模型的 30 篇样本进行测算，所得结论后续大部分未能重复。以破折号为例，初期数据支持"该特征为 Claude 独有"，扩充至五个模型后发现另一模型的频率更高。单一模型的个体倾向易被误读为生成文本的共性。
生成条件。 生成侧不联网检索，不施加任何写作风格指令，仅提供话题。附加风格约束将掩盖模型的默认倾向。
| 侧 | 篇 | 汉字 | 句 | 段 |
|---|---|---|---|---|
| 生成 | 300 | 1,179,105 | 37,642 | 14,549 |
| 人类 | 329 | 1,647,867 | 57,909 | 31,172 |
| 合计 | 629 | 2,826,972 | 95,551 | 45,721 |
生成侧模型为 claude-opus-4-6、deepseek-v4-pro、gemini-3.1-pro、gpt-5.6-sol、kimi-k3，覆盖 38 个话题。
人类侧为公开发表文本，按来源分组独立统计。分组统计的作用在于检验组间一致性：若某特征仅在个别组偏高，则更可能反映作者个人风格或文体惯例，而非人类写作的共性。本研究中，单字虚词与破折号两项即由此被识别为不可靠指标。
分句。 先按行切分，剔除标题行、表格行、代码块、引用块与列表项，再以 。！？； 为界断句，保留长度不小于 4 字的片段。
剔除非正文行是必要步骤。研究初期未作此处理，仅以 。！？ 断句，导致 Markdown 表格与无句末标点的长列表被计为单句。受此影响，某一组的句长标准差被计算为均值的 27 倍，并据此得出"生成文本的句长均匀度为人类的 51 倍"这一结论。修正切分程序后重新测算，该比值为 0.87，即不存在差异。
分段。 以空行为界切分，剔除标题、表格、代码块、引用、列表项与图片行，保留长度不小于 8 字的段落。
依据被测特征所依附的语言单位选择分母。