每年高考语文考完，全网都会玩同一个游戏：把作文题原样丢给 AI，比谁写得快、写得好。今年当然也不例外。
我花了几天把这件事从头到尾扒了一遍——包括近两年各路媒体做过的 AI 同题作文实测、高考作文评分细则原文、阅卷的组织流程，以及大模型在这类任务上为什么会稳定卡在同一个位置。结论有点反直觉：AI 写高考作文的水平，比多数人想的强得多；但它离满分，也比多数人想的远得多。
而且这两句话之间的距离，恰好能解释一件事——高考作文到底在考什么。
先说结论
- AI 现在写高考作文，稳定落在一类下到二类上这个区间。按 60 分制大致是 48–56 分，按 50 分制（北京卷）大致是 40–47 分。这个分数放在真实考生里，是很能打的。
- 拿不到满分的根本原因不是文笔不够好，而是评分标准里最值钱的那 20 分——发展等级的"深刻、丰富、有文采、有创意"——要的是"你"，而 AI 没有"你"。
- 想靠 AI 在考场上作弊这条路，物理层面已经封死了：手写、信号屏蔽、AI 平台高考期间关停涉考功能，三重锁。
- 至于"AI 检测器"，它根本撑不起实锤——就连 OpenAI 自己做的检测器，也因为准确率太低在 2023 年 7 月下线了，官方自评只抓到 26% 的 AI 文本。
下面展开讲。
一、满分作文到底是个什么难度的事
讨论"AI 能不能拿满分"之前，得先把"满分"这两个字的含金量定死。很多人对高考作文的想象，还停留在"写得好就能拿 60 分"，这跟真实的评卷机制差了十万八千里。
1.1 60 分是怎么拆出来的
教育部教育考试院的《作文等级评分标准》把 60 分切成两大块、三小块：
| 层级 | 项目 | 分值 | 一等标准（20–16 分） |
|---|---|---|---|
| 基础等级 | 内容 | 20 分 | 符合题意、中心突出、内容充实、思想健康、感情真挚 |
| 基础等级 | 表达 | 20 分 | 符合文体要求、结构严谨、语言流畅、字迹工整 |
| 发展等级 | 特征 | 20 分 | 深刻、丰富、有文采、有创意 |
发展等级不是"全面达标才给分"，评分说明写得很清楚："不求全面，可依据'特征' 4 项 16 点中若干突出点按等评分" 。这 16 个点是——
- 深刻：透过现象看本质 / 揭示事物内在的关系 / 观点具有启发性
- 丰富：材料丰富 / 论据充足 / 形象丰满 / 意境深远
- 有文采：用词贴切 / 句式灵活 / 善于运用修辞手法 / 文句有表现力
- 有创意：见解新颖 / 材料新鲜 / 构思新巧 / 推理想象有独到之处 / 有个性特征
请盯住最后那五个字：有个性特征。
这张表是理解全文的钥匙。基础等级的 40 分考的是"入格"——写没写对、通不通顺、像个文章不像。发展等级的 20 分考的是"出格"——有没有属于你自己的东西。AI 能轻松啃下前 40 分里的大部分，恰恰在第 41 分开始卡住。
顺便说几条容易被忽略的细则，后面会用到：
- 套作：与材料内容及含意范围沾边的套作，在第三等及以下评分，发展等级不给分。
- 抄袭：整体构思、主要情节，或主要观点、论证模式、重要论据、70% 以上文字雷同视为抄袭，基础等级在第四等内评分，发展等级不给分，抄袭作文最多给 10 分。
- 文体不明：评分说明里写着"套作或文体不明确的，适当扣分"。表达项一等标准的第一条就是"符合文体要求"，四等则是"不符合文体要求：不能辨认文体类型"。
- 论据真实性：评分细则原文写着"考生的考卷中所述论据的真实性要特别注意，如果是编造，或者有明显错误，或者不能佐证文章观点的，要适当扣分"。
倒数第二条和倒数第一条，我会在第三节专门讲，AI 在这两条上吃过大亏。
1.2 满分不是"写得好"，是"两个人背靠背都挑不出毛病"
高考作文实行双评制：一篇作文随机分给两位老师，背靠背独立打分；分差在阈值内取平均，超过阈值自动推给第三位老师三评；三人分歧仍大的，交学科专家组仲裁。
这个机制的含义是：拿满分不是打动一位老师，而是让两位互不认识的阅卷老师，在同一套细则下，都找不到扣分点。
浙江大学中文系教授、博导吴秀明曾连续八年担任浙江省高考语文评卷大组组长。他在接受采访时说过一句很能说明问题的话："要打 60 分的作文，就是无可挑剔的了。其实，作文要打到 57 分以上，就要谨慎了，需要复评。"
也就是说，从 57 分往上，每加一分都在往"零缺陷"逼近。而 AI 生成的文本里，恰恰充满了"看起来完美、细看能挑"的东西——一个张冠李戴的年份、一句似是而非的名言、一个放之四海皆准的过渡句。这些东西在 50 分区间不会致命，在 57 分以上就是硬伤。
1.3 满分到底有多稀缺
先看几个有明确出处的数据。
吴秀明在同一篇采访里说，他参与阅卷的那些年，浙江满分作文每年都有，最少的一年出现 10 份，最多的一年 40 多份。注意，这是全省几十万考生的量级。
华南师范大学语文科评卷组组长柯汉琳在 2008 年通报广东情况时说：当年全省作文满分 18 个（2007 年 26 个，2006 年 50 多个），平均分 40.37 分，一类卷（48 分以上）约占 10%，四类卷约占 1%，约 80% 的考生集中在二、三类卷。他还特意补了一句：广东从 2007 年开始采取二评、三评做法，"一篇作文两个老师同时打到 60 分是很少见的，满分自然比往年要少了"。
把这两个数据放在一起看：满分作文是一个"全省个位数到几十位数"的事件。2026 年全国高考报名人数是 1290 万（人民网报道），即便按最乐观的省份比例推算，满分作文的占比也是一个趋近于零的小数。
所以，"AI 能不能写出高考满分作文"这个问题的真正难度，不在于 AI 强不强，而在于满分本身就是一个几乎不发生的事件。讨论 AI 能不能做到一件人类考生每年只有几十个人做到的事，本身就需要换一种问法。
二、AI 现在究竟能考多少分——把实测数据摆在一起
近两年，多家媒体在高考当天做过同一件事：把真题原封不动喂给主流大模型，再请有高考阅卷经验的老师按高考标准匿名打分。我把能查到出处的几份结果摊开看看。
2.1 2025 年：AI 集体没审出"爱国"
2025 年全国一卷的作文题给了三段材料——老舍《鼓书艺人》里"心里直翻腾，开不了口"的艺人、艾青"用嘶哑的喉咙歌唱"、穆旦"以带血的手和你们一一拥抱，因为一个民族已经起来"。
极目新闻找了 7 款模型，请武汉二中高级教师、武汉市江岸区学科带头人谢先丽（2009、2012、2021 年参与高考阅卷，获评优秀评卷员）打分。结果（60 分制）：
| 模型 | 得分 | 阅卷老师的核心批语 |
|---|---|---|
| GPT-4o | 47 | 三则材料解读不错，但中心论点落在"文艺的作用"上，没落在爱国 |
| 腾讯元宝（混元） | 44 | 抓住了"声音"这个共同要素，但没解出材料内在的"爱国"关键词，仍属跑题 |
| 文心一言 | 43 | 三个论点强行融合，内在联系不紧密，没有审出三则材料共同的爱国精神 |
| Kimi | 40 | 侧重"寻找表达方式"，偏离三则材料主要意思更多 |
| 豆包、通义千问 | 前三名 | 未公开逐篇分数 |
这份数据最刺眼的不是分数，是批语的重复率。四篇不同模型的作文，被同一个阅卷老师用几乎同一句话判了刑：没审出"爱国"。
七个模型各自生成、互不知情，却在同一个地方集体失足。这不是巧合，后面会解释原因。
2.2 2026 年：分数上来了，批语几乎没变
到 2026 年，模型强了一代，分数也确实涨了。但阅卷老师的批语，读起来有种强烈的既视感。
南方产业智库（南方+） 把全国 I 卷（"你对哪一个词语的理解发生了变化"）投给千问、豆包、DeepSeek、讯飞星火、智谱、Kimi、Minimax、Gemini、ChatGPT 九款模型，请全国语文特级教师王大绩（连续十余年参与北京市高考阅卷，负责《阅卷纵横》编纂）和海南省名校校本教材编者曹越打分。九款模型全部拿到 50 分以上：
| 排名 | 模型 | 平均分（60 分制） |
|---|---|---|
| 1 | 讯飞星火 | 55.5 |
| 2 | Gemini | 53.5 |
| 3（并列） | 豆包 / DeepSeek | 52.5 |
| 紧随 | Kimi、智谱 | — |
榜首作文《重释"闯荡"：以青春之我拓时代之疆》的评语相当正面：完成了从"闯荡 = 远走漂泊"到"闯荡 = 突破边界、扎根时代"的认知蜕变，成长印记清晰、逻辑闭环完整。
但同一篇报道里，专家也点出了共性问题，这几句话值得抄下来：
❝
❝
由于大模型均广泛采用互联网信息进行训练，其选取的案例存在雷同现象、语言表达也失之个人化，也有部分存在堆砌词藻的现象。例如，敦煌飞天壁画、航天人乃至环卫工等论据案例，在各大模型的作文中高频出现，而对个体事件细节的呈现则少之又少。
北京青年报做的是北京卷《做规划与下功夫》（50 分制），请北京中学语文特级教师李朝晖匿名评阅 5 款模型：
| 模型 | 得分（50 分制） | 批语要点 |
|---|---|---|
| Gemini 3.1 Pro Preview | 47 | 审题精准、结构经典递进式、论据扎实；"整体偏规矩，没有特别新颖、深刻的表现，所以不能给到一类上" |
| 豆包 | 44 | 符合一类文标准；"论证方法和思路均较单一，思考深度不够" |
| GPT-5.5 | 42 | 有思维推进；"字数太多，应在语言上再求简练" |
| 通义千问 | 40 | — |
| DeepSeek | 未公布单篇分 | 5 款总分区间为 38–47 分 |
这两段批语里有句话，我觉得是全部测评里信息量最大的一句——"不能给到一类上"。
注意它的措辞：老师先承认了文章"审题精准""论据扎实""结构经典递进式"，然后说不给一类上。而给豆包（44 分）的批语更直接："总体而言符合一类文的标准"，紧接着一个"不足处在于"。
这几句话合起来的意思是：AI 的作文已经站到了一类文的门槛上，然后被拦在门外。拦住它的不是基础等级那 40 分——那部分老师基本都给了认可——而是发展等级里"新颖、深刻、个性"那几个词。
香港文汇报/大公报的报道则提到上海卷（70 分制）的测评：9 款模型得分在 61–65.5 之间。报道引用专家的总结也很精准：
❝
决定分分数高低的往往不只是"写出来了没有"，而是"想明白了没有"。有的文章立意稳妥，却缺乏进一步推进；有的语言流畅华丽，却始终停留在相对安全的表达区间。
2.3 从这两年的数据里能读出什么
把上面几组数字换算成百分位，会得到一个很稳定的图景：
img
三个结论：
- AI 的分数在涨，从 2025 年的 40–47（60 分制）涨到 2026 年的 50–55.5。模型代际升级确实有效。
- AI 的天花板很稳。所有测评里，没有任何一款模型被阅卷老师判为"可以给到一类上"。最高分 55.5 分，距离 60 分还差 4.5 分，而那 4.5 分恰好全在发展等级里。
- 批语两年没变：材料雷同、语言失之个人化、缺少个体细节、停留在安全的表达区间、思考深度不够。
第三点才是关键。模型换了一代，分数涨了五六分，但老师的观感一个字没改。这说明卡住 AI 的不是能力，是结构。
三、卡在哪儿：AI 上不去的四个结构性死穴
这一节是全文的技术核心。我会尽量讲透底层机制，而不是停在"AI 没有感情"这种正确的废话上。
3.1 死穴一：审题能过，"题眼"抓不住
先说一个容易被误读的事实：AI 的审题能力其实很强。上面几份测评里，阅卷老师反复用了"审题精准""立意准确"这类评价。让 AI 复述材料、归纳角度，它做得比多数考生好。
问题出在下一层——材料背后那个命题组没说出来、但阅卷细则里写死的东西。
回到 2025 年那道题。三段材料分别来自老舍、艾青、穆旦，命题背景是抗战胜利 80 周年。阅卷细则把"爱国"定为核心立意。AI 干了什么？它从"开不了口"里读出"沉默中的蓄力"，从"嘶哑的喉咙"里读出"破碎中的歌唱"，从"带血的手"里读出"阵痛中的新生"——每一条单独看都成立，组合起来却完美地绕开了"爱国" 。
这在技术上完全说得通。大模型的训练目标是预测下一个 token，它的"归纳"本质上是在语义空间里找概率最高的那个共同特征。"沉默—歌唱—拥抱"这三个意象的最大公约数是"表达"，不是"爱国"。而"爱国"是一个需要读命题背景、读教材语境、读出题人意图才能锁定的东西——它属于"言外之意"，不属于"统计共性"。
实战经验：这里能推出一个挺关键的判断——媒体测评给出的分数，其实是 AI 的下限，不是上限。因为这些测评是"裸测"：原题原样丢进去，不加任何引导。如果事先告诉模型"这三则材料的共同指向是爱国主义"，它大概率能绕过去。
但那个分数已经不能算"AI 自己写的"了，那是"人 + AI"的成绩——人负责审题，AI 负责行文。而这恰恰是我在第六节要给出的建议：把审题留给考生，因为审题本身就是要考的东西。
3.2 死穴二：RLHF 把模型的"个性"磨平了
这是我想重点讲的一条，因为它解释了那个最刺眼的现象：为什么七款不同的模型，会犯一模一样的错误、用一模一样的素材。
先看现象。南方+ 的报道里列举了 2026 年九款模型作文里的高频论据：敦煌飞天壁画、航天人、环卫工。北京卷测评里，五篇《做规划与下功夫》不约而同地用了《读书分年日程》、陈景润/曹雪芹、中国航天"三步走"。
九家公司、不同的训练数据、不同的架构，写出来的论据库高度重叠。这不是抄袭，这是收敛。
收敛的根源在 RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）。这是 ChatGPT 之后所有主流对话模型的标准后训练流程：收集人类对多条输出的偏好排序 → 训一个奖励模型 → 用 PPO 之类的算法让模型去最大化这个奖励。
2024 年 ICLR 上，Kirk 等人发表了一篇很有分量的论文《Understanding the Effects of RLHF on LLM Generalisation and Diversity》（arXiv:2310.06452），系统对比了 SFT、Best-of-N、RLHF 三种后训练方式，结论是一体两面的：
- RLHF 显著提升了分布外（OOD）泛化能力。测试数据和训练数据的分布差异越大，RLHF 相对 SFT 的优势越明显。
- RLHF 显著降低了输出多样性，也就是发生了 mode collapse（模式坍缩） 。而且这个坍缩是双重的：per-input diversity（对同一个 prompt 多次采样，输出趋同）和 across-input diversity（对不同的 prompt，输出也趋同）。
第二点才是致命的。论文的原话大意是，RLHF 后的模型倾向于无论输入怎么变，都输出相似的东西——这正是"模式坍缩"的典型表现。研究还发现一个反直觉的结果：加大 KL 惩罚系数（本意是让模型别跑太远、保留多样性）不但没能挽回多样性，反而让 per-input diversity 进一步下降，同时性能也变差了。
另一项研究（Mohammadi, 2024，《Creativity Has Left the Chat》）从 token 层面给出了佐证：对齐后的模型在 token 预测上熵更低，在嵌入空间里聚成明显的簇，趋向于所谓的"吸引子状态"——换句话说，模型更容易走进几条被反复强化过的"高奖励路径"，更少探索别的地方。
把这些翻译成高考作文的语言：
| 技术现象 | 在作文里的表现 | 对应扣分点 |
|---|---|---|
| 输出熵降低，趋向高奖励路径 | 结构永远是"引材料—三个分论点—联系青年—升华" | 构思新巧 ✗ |
| across-input 多样性下降 | 不同题目写出相似的气质与节奏 | 有个性特征 ✗ |
| 素材收敛到高频安全项 | 敦煌、航天、袁隆平、环卫工 | 材料新鲜 ✗ |
| 停留在"安全的表达区间" | 观点正确但无推进 | 见解新颖 ✗ |
请回头看发展等级那 16 个点：构思新巧、有个性特征、材料新鲜、见解新颖——这四个点，恰好是 RLHF 的系统性副作用精确命中的四个点。
这不是工程优化能解决的问题，这是一个目标函数层面的取舍：我们用人类偏好对齐换来了一个更好用、更安全、泛化更强的助手，代价是它在需要"出格"的地方出不了格。论文自己给出的缓解方案是 Best-of-N 采样（保持多样性）或者干脆用 SFT 模型——但对于工业级部署的对话模型，没有哪家会为了创意写作放弃 RLHF。
如果你一定要用 AI 辅助写作，想绕开这个收敛，最有效的办法不是换模型，而是给它"反例约束"。比如明确写"禁止使用敦煌、航天、袁隆平、司马迁、屈原这五个素材，禁止使用'君不见''揆诸当下''诚哉斯言'这类过渡词"。负向约束能强制模型跳出高概率吸引子，效果立竿见影。
3.3 死穴三：没有经历，"感情真挚"写不出来
内容项 20 分的一等标准是"符合题意、中心突出、内容充实、思想健康、感情真挚"。注意是"真挚"，不是"充沛"。
2026 年全国 I 卷的题目，值得把原文抄一遍：
❝
词语是表达思想情感的载体，也是展现社会生活变化的窗口。当前，世界之变、时代之变、历史之变正以前所未有的方式展开。青年是常为新的，在你的成长过程中，你对哪一个词语的理解发生了变化？这变化有你成长的印记，对你有特殊的意义……
教育部教育考试院公布的命题思路里，专门点出了这道题的限制性设计：
❝
四个"你"字提出明确的限制性写作要求，考生要聚焦于"理解"、写出"变化"，且这种变化承载着成长印记和特殊意义。……试题紧扣学生成长经历，直面真实的情感体验……呼唤"走心"的写作。
四个"你"。 这道题从设计上就是冲着"不可替代的个人经验"去的。
AI 怎么处理？2026 年南方产业智库的测评里有一句观察很到位：这些文章"引用的故事也非常有细节感，比如'奶奶剥莲子'，如同亲历一般"。
但问题在于：这类细节不是任何一个人亲身经历过的，它是从海量语料里统计出来的"最像真实经历的经历"。
这两者的差别，在 50 分区间看不出来，在 55 分以上会暴露得很彻底。阅卷老师为什么能感觉到？因为真实的个人经验有不规整性——它会有突兀的转折、有不合逻辑的情绪、有说不清楚的暧昧地带、有没有交代完的细节。而 AI 生成的"经历"太完整了：有起因、有转折、有顿悟、有升华，严丝合缝地服务于中心论点。
真实的人生经历不会这么听话。
这一点对正在用 AI 辅导孩子写作的家长尤其重要。AI 生成的"感人细节"是一面完美的镜子——它照出来的不是你的孩子，是"最平均的那个孩子"。长期照着这个模板写，孩子的作文会越来越流利，也越来越没有自己。这个损失在高考分数上看不出来，但在别的方面看得出来。
3.4 死穴四：论据会造假，而评卷细则专门盯着这条
评分细则对内容项有一句很硬的话：
❝
考生的考卷中所述论据的真实性要特别注意，如果是编造，或者有明显错误，或者不能佐证文章观点的，要适当扣分。
而大模型有一个公开的、至今没解决的顽疾：幻觉（hallucination）。它会生成听起来完全合理、结构上完全正确、但事实上不存在的内容——人名、书名、年份、名言出处，都能一本正经地编出来。
这不是危言耸听，有同行评议的数据。2026 年 8 月发表在 Critical Care Explorations 上的一项研究（PMID: 42640622），让 GPT-5.3、DeepSeek-V3、Grok-4 在关闭联网检索的条件下，就 10 个神经重症护理主题各生成 10 条参考文献，共 300 条，由两位盲法专家逐条核对。结果是：
- 165/300（55.0%）存在引用不准确
- 85/300（28.3%）是完全捏造的文献
- 分模型看：DeepSeek-V3 幻觉率 23%（捏造 8%）、GPT-5.3 为 69%（捏造 27%）、Grok-4 为 73%（捏造 50%）
另一项更大规模的研究 GhostCite（arXiv:2602.06718，预印本，未经同行评议）测了 13 个主流模型、33 万余条引用，整体失效率 50.29%，且模型间差距高达 6.7 倍（最低 14.23%，最高 94.93%）。研究还发现一个反常识的结论：开启联网搜索、使用思维链提示，都没有稳定降低幻觉率——作者认为这说明幻觉是模型书目知识的根本性缺陷，不是提示策略的副产品。
需要严谨说明：这两项研究测的是学术引用，不能直接等价为"高考作文名言引用错误率"。但它们共同验证了一件事：大模型在生成"看起来权威的具体引用"时，有一个不低的、结构性的错误率。
而高考作文恰恰是一个鼓励引经据典、但不允许出错的场景。考生写一句"鲁迅曾说"，如果记错了，扣的是一两分；如果 AI 编出一句不存在的话，被阅卷老师认出来，扣的就不止是"论据真实性"那一项了——它会连带打击"内容充实"和"思想健康"。
❝
我自己的做法是，凡是要写进正式稿件的引用，一律走"AI 生成 → 交叉验证 → 人工确认"三步。具体到高考作文，能不用冷僻引用就不用——司马迁、屈原、苏轼这类高频素材虽然"不新鲜"，但胜在不会错，而且阅卷老师不会怀疑。用 AI 写的冷门名言，风险收益比极差。
3.5 一个额外的技术视角：评测分数其实被高估了
前面几份测评的分数，我认为存在一个系统性的高估，值得单独指出（这是推断，不是定论）：
媒体测评拿到的，本质是 Best-of-N 的结果。 记者通常会开"深度思考模式"、跑多次、挑最好的一篇送去打分。而 Kirk 等人的论文里恰恰验证过：Best-of-N 采样在保持更高多样性的同时，性能能追平甚至超过 RLHF。也就是说，测评里那个 55.5 分，是模型"多次采样后择优"的成绩。
而真实考场是单次采样（one-shot） ：一次机会，不能重来，不能拒绝采样，没有温度参数的第二次机会。一个考生坐在考场里，写下的就是他要交的那一份。
再加上两个物理层面的折损：
- 字迹。表达项 20 分里明确包含"字迹工整"。AI 生成的文本必须由人抄写到答题卡上，抄写会引入错别字（每 1 个扣 1 分）、字数误差（不足 800 字每少 50 字扣 1 分）、以及无法量化的卷面观感损失。
- 文体。评分说明里"文体不明确的，适当扣分"这条，AI 撞得也不轻。大模型默认爱写一种"四不像"——抒情、议论、记叙各来一段，文体特征模糊。而表达项一等标准的第一条就是"符合文体要求：文体特征明显"。
把这几层折损叠上去，AI 在真实考场条件下的等效分数，大概率要再往下走一截。
四、顺带辟个谣：AI 检测器的准确率，撑不起"实锤"
既然 AI 写得这么好，另一个焦虑就来了：老师能不能查出来？市面上的 AI 检测器靠谱吗？
答案可能会让两拨人都失望：现有 AI 文本检测器，没有一家达到了可以作为证据的准确率。
先看最有说服力的一个案例——做模型的人自己都做不出来。
OpenAI 在 2023 年 1 月 31 日上线了自家的 AI Classifier，半年后的 2023 年 7 月 20 日悄悄下线，官方页面上的原话是："As of July 20, 2023, the AI classifier is no longer available due to its low rate of accuracy."
更关键的是官方自己公布的性能数字（出自 OpenAI 官网该工具的介绍页）：
- 在英文文本的"挑战集"上，该分类器只正确识别了 26% 的 AI 写作文本（真正例）
- 同时把 9% 的人类写作文本误判为 AI 写作（假正例）
抓不到四分之三，还要误伤将近一成。OpenAI 自己也在页面上写明："It should not be used as a primary decision-making tool."
再看第三方独立评测：
- Weber-Wulff 等人 2023 年的研究评估了包括 Turnitin、GPTZero 在内的 14 个检测工具，结果是全部低于 80% 的准确率，只有 5 个超过 70%；且这些工具倾向于把文本判为"人类"，改写之后准确率进一步下降。
- Liang 等人 2023 年发表于 Patterns 的研究测了 7 个主流检测器，样本是 91 篇非英语母语者的 TOEFL 作文和 88 篇美国八年级学生作文。结果是：非母语作文被误判为 AI 的平均误判率超过 61%，而美国八年级学生的作文几乎全部被正确判为人类；7 个检测器一致判定为 AI 的 TOEFL 作文占 19.8%，至少有一个检测器判为 AI 的占 97.8%。更有意思的是后续实验：把这些 TOEFL 作文改用更多样的词汇改写之后，误判率大幅下降。作者的结论由此而来——这些检测器反应的其实是文本的复杂度（低困惑度、用词单一） ，而不是"是否由 AI 生成"。
- Sadasivan 等人（马里兰大学） 的工作表明，通过递归释义（recursive paraphrasing）攻击，可以让高准确率的检测器失效。
把这些数字放到高考场景里，结论非常明确：在一篇 800 字的手写作文上，任何检测器的输出都不构成有效证据。 尤其危险的是 Liang 那篇研究揭示的偏差——写得规整、用词稳妥、句式工整的考生，反而更容易被误判。这恰好是优等生的写作特征。
如果家长或老师正在考虑用检测器"排查"孩子的作文，我建议直接放弃这个想法。误判的代价是信任崩塌，而收益基本为零。判断一篇作文是不是 AI 写的，目前最可靠的办法依然朴素得多——就文章内容当面聊十分钟。你随便挑文中一个具体细节追问下去，比如"那天你为什么是骑车去的""后来呢"，真经历过的人答得上来的东西，AI 编的故事接不住。这比任何检测器都准。
五、那 AI 到底该怎么用
说了这么多"不行"，这一节讲"怎么用"。我对这件事的态度很明确：AI 是极好的陪练，最差的枪手。
5.1 给考生：当陪练，不当枪手
基于前面拆出来的四个死穴，可以设计一套针对性的流程。核心原则一句话：凡是 AI 的强项（发散、穷举、挑错、反驳）都交给它，凡是评分标准里最值钱的东西（审题、立意、个人经验）都留给人。
第一步：用它做素材拓展，不做全文生成
不要上来就说"帮我写一篇作文"。改成这样问：
我要写高考作文，题目是【原题材料】。
请给我 10 个可能的立意角度，每个角度附一句"为什么这个角度成立"。
要求：角度之间必须有实质差异，不要都是"个人—社会—国家"的套层。
这一步利用的是 AI 的强项——发散和穷举。你要的是备选池，不是答案。
第二步：用它做结构诊断，而不是结构生成
自己写完初稿之后，把它丢给 AI：
这是我的作文初稿和题目。请只做诊断，不要改写：
1. 我的中心论点是什么？你能在第几段找到它？
2. 三个分论点之间，是并列、递进，还是重复？
3. 有没有哪一段的材料不能支撑它所在的论点？
4. 按高考评分标准，最可能扣分的是哪一项？
这一步的价值在于，AI 能扮演一个"不会疲倦的阅卷老师"，帮你发现自己的逻辑断层。注意要显式禁止它改写——改写会立刻触发前面说的收敛，把你的文章拉回平均态。
第三步：用它做反向质询，逼出深度
发展等级要的是"深刻"和"见解新颖"。最有效的训练是让 AI 攻击你的观点：
我的论点是【一句话】。
请给出 3 个最强的反驳，每个反驳要能站得住脚。
再针对每个反驳，提示我可以怎样回应。
这一步直接对冲了 AI 自己的弱点——它不会主动反驳你，但如果你要求它反驳，它做得很称职。
img
绿色是 AI 做的，灰色是你自己做的，红色是必须人工兜底的。注意 AI 只在发散、诊断、质询三个环节出场，"写"这个动作始终在人手里。 这不是保守，这是把 AI 的能力优势和高考的评分规则对齐之后的最优解。
顺带说三个我已经验证有效的操作技巧：
- 负向约束：明确列出禁止使用的素材和过渡词，强制模型跳出高概率吸引子。
- 要求"不规整" ：可以直接要求 AI 在生成素材时保留一处没交代完的细节、一处不合逻辑的情绪。这是对抗"AI 味"最直接的手段，因为真实的经历本来就不规整。
- 引用必须人工核：凡是 AI 给出的名言、年份、书名，一律自己查一遍。
5.2 给家长和老师：别买"AI 满分作文"的课
市面上现在有一类课程，卖点是"用 AI 帮你家孩子写出满分作文"。根据前面的分析，这类课的问题一目了然：
- 它教的恰恰是评分细则要扣的东西。AI 最擅长的是结构工整、语言流畅、立意稳妥——这些能把你送到 50 分左右，但发展等级那 20 分要的是"新巧、个性、新鲜、新颖"，AI 是反向的。
- 它会训练出"套作"的特征。评分细则对套作的处罚极重：与材料沾边的套作在第三等及以下评分，发展等级不给分。而 AI 生成文本的高度可预测性，正是套作识别系统最容易捕捉的信号。
- 最大的损失在分数之外。孩子如果习惯了用 AI 的"平均经验"替代自己的真实经历，丢掉的是"感情真挚"这项能力本身。这项能力在作文分数上的权重大概只有几分，但在别的地方，权重高得多。
反过来，真正值得投入的方向是用 AI 做大量的、低成本的反馈循环：写完就诊断，诊断完就改，改完再质询。这个循环以前要靠一位愿意花时间的老师，现在一个学生自己就能跑起来。这才是 AI 在这件事上最大的价值——它把"写作反馈"这件事的边际成本打到了接近于零。
六、回到那个问题
所以，用 AI 能写出高考满分作文吗？
直接回答：几乎不能，而且这个"不能"不是能力问题，是结构问题。
2025、2026 两年实测给出的分数区间是一致的：AI 稳定在 48–56 分（60 分制），或者 40–47 分（50 分制）。这是很好的成绩，超过八成考生——毕竟 2008 年广东的数据里，约 80% 的考生集中在二、三类卷，一类卷只有约 10%。
但满分的门槛在 57 分以上那个"需要复评"的区间，而那里站着发展等级的四个关键词：深刻、丰富、有文采、有创意。具体到 16 个点里，AI 精确地在"构思新巧、有个性特征、材料新鲜、见解新颖"这四个点上集体失分——而这四个点，恰好是 RLHF 的 mode collapse 精确命中的地方。
这不是某家公司的 bug，是目标函数的取舍。我们为了让模型更好用、更安全、泛化更强，用人类偏好去对齐它，代价就是它会在所有需要"出格"的地方，稳稳地待在格子里。
于是这个问题最终会变成另一个更有意思的问题：高考满分作文，到底在奖励什么？
从命题思路里能找到答案。2026 年全国 I 卷的官方解析里写着，试题"呼唤'走心'的写作，促使其真诚面对、主动审视个人成长轨迹"；全国 II 卷的解析里写着，"若仅满足于阐释'守本固源之重要'，通过堆砌人物事例泛泛而论，则只停留在材料表面……终因缺乏问题意识与独立思考能力而流于平庸"。
这两段话，几乎是在点名 AI 的弱点。
高考作文考的从来不只是"写得对不对、好不好"，它考的是你是不是一个有独立经历、能独立思考、能用自己的话把事情说清楚的人。AI 能模仿这件事的所有外部特征——结构、辞藻、论据、升华——唯独模仿不了那件事本身，因为它没有经历过任何一天。
这其实是个好消息。在一个 AI 能把所有"平均水平的产出"都做到 80 分的时代，"你是谁、你经历过什么、你怎么想"正在变成唯一无法被外包的东西。高考作文的评分标准，歪打正着地把这件事标好了价格——20 分，占总分的整整三分之一。
最后留一个我觉得更值得琢磨的问题：如果满分作文的本质是"不可替代的个人性"，那我们是不是该重新审视一下，过去那些教孩子背万能素材、套通用结构的作文课，其实一直在教他们变成 AI？
