你大概见过这样的回答：
问它一个生活常识，它先写「本质上是……」；让它润色一段文字，它改成「不是……而是……」；让它写条笔记，满屏 emoji、加粗和「谁懂啊」；好不容易读完，结尾还来一句「你押哪边」。
这些内容通常没错，读起来却像同一个人写的。问题不只是几个讨厌的词。AI 很擅长写出一篇「看起来完整」的东西，却不知道读者已经看腻了这种完整。
我扫了自己过去写下的 82 篇底稿，又用火山方舟 Seed 跑了 100 次实验。结论有点扫兴：换更强的 pro 模型，没有测出统计显著的改善；把原文丢回去让它「删掉套话」，也多半只是把文章改短。真正有用的办法，反而只需要几句大实话。
你讨厌的，可能不是同一类东西
我先把常见表达归成九类，做成词表，再让脚本逐篇统计。词表在实验开始前就固定下来，避免看到结果后专挑对自己有利的词。
先扫我自己的稿子，结果比预想中好一些：平均每千字命中 1.4 次，中位数 1.1 次。原因不是我突然会写了，而是每次写完都会用检查清单扫一遍，看到就改。
不过，有些习惯很顽固。「这笔账」「把账算明白」散在 12 篇里；三个步骤、三个方法这类排比出现在 58 篇里；「不是……而是……」出现在 30 篇里。我也没能幸免。
这里有个统计上的坑：一篇文章引用 AI 腔文字做反例，里面的「闭环」「赋能」也会被脚本算进去。所以词表只能提醒我去哪里看，不能直接判一篇文章死刑。
同一个模型，换个任务就换副腔调
接下来，我给 Seed-2.1-lite 五个很普通的任务：写一篇手机为什么变卡的公众号文章、解释牛奶混果汁为什么结块、整理一份周报、写空气炸锅的小红书笔记、在群里发起「AI 会不会取代程序员」的讨论。
提示词里没有文风要求。每个任务跑 3 次，看它在没人管的时候会怎么写。
结果挺有意思。单看词表，五个场景平均每千字只命中 1.27 次，约等于每篇一处，并不算满篇套话。真正明显的是排版和腔调：
知识问答喜欢用「本质是」开场，加粗和破折号也最多；公众号喜欢 emoji 小标题和「评论区聊聊」；周报会先客气地说「我帮你整理成了……」，再给每个工作事项拔高半级；小红书和群话题帖则直接换上了一套人设，连「装不装」都像提前排练过。
所以「AI 味」有两层：一层是能搜出来的词和句式，另一层是整篇文章的架势。 前者容易删，后者才是让人觉得假的主要来源。
它为什么偏要这么写
这不是模型故意偷懒。几份研究放在一起，大致能拼出原因。
模型根据大量文本学习「接下来最可能写什么」。常见、稳妥的表达自然更有优势，具体而少见的信息反而容易被磨平。维基百科社区那份《Signs of AI writing》举过一个例子：「发明了第一列车钩的人」可能被写成「一位革命性的工业先驱」。名头变大了，事情反而说不清了。
后面的训练还会继续强化这种倾向。Padmakumar 与 He 的受控实验发现，和经过人类反馈调整的 InstructGPT 共同写作时，不同作者的文章变得更相似；基础版 GPT-3 没有出现同样的显著变化。差异主要来自模型补写的那部分文字。
人类反馈还容易偏爱更长、更顺着自己说的回答。Singhal 等人的研究显示，仅靠回答长度就能复现相当一部分 RLHF 的收益；Sharma 等人则发现，五个主流 AI 助手都会在一定程度上迎合用户观点。
最后还有我们自己的功劳。「写一篇小红书」「发一个群话题」这类要求，本来就在告诉模型去调用一整套现成文体。它见过太多这样的文章，自然知道该在什么地方放 emoji、钩子、排比和互动句。
它是在认真扮演「一个会写小红书的人」。问题是，我们想要的可能只是「把这件事正常说清楚」。
我试了三招，最顺手的那招反而没用
第一轮用 Seed lite 做了 40 次调用：五个场景分别测试原样生成、负面清单、受众声明，以及把原文丢回去让它自己修改。
- 负面清单：直接列出禁用的句式和表达，再写明不要用 emoji 小标题。
- 受众声明：要求它想象在微信群讲给外行朋友听，写完自己检查哪里像文章腔。
- 回炉自改：只说「删掉套话和空转的总结升华，信息不要丢」。
负面清单把词表命中从每千字 1.27 次降到 0.70 次，emoji 从每篇 3.2 个降到 0；代价是平均字数少了约 26%。它很适合正式交付，但偶尔会把内容也一起压薄。
受众声明把词表命中降到 0.52 次，降幅 59%。它不依赖一张固定禁词表，因此更灵活；不过 emoji 没有清零，格式要求仍要单独写。
回炉自改最打脸。五个场景一共 7 处词表命中，只删掉了 2 处。它确实把文章写短了，套路却留了下来。
图中这两句在修改后一字未动。没有具体标准，模型会把「改文章」理解成「压缩一下」，却不知道你最想删的是哪几句。
换 pro 会不会自然变好？没有测出来
改提示词有效，那换更强的模型呢？
我把同样的五个任务交给 Seed 2.1 pro，与 lite 做同题对照。这次每个场景、每个模型各跑 12 次，共 60 份输出；统计方法在查看 pro 输出前确定，用场景内置换检验，并报告置信区间。
结果不支持「升级模型就能减少套话」。五个场景等权平均后，pro 比 lite 每千字少 0.14 次命中，但 95% 置信区间是 -0.55 到 +0.27，跨过了零；总体检验 p=0.527。逐场景检验也没有一个通过显著性门槛。
换成每篇的绝对命中数更直观：lite 平均 1.000 次，pro 平均 1.017 次。几乎没差。
这不能证明两个模型永远一样，只能说明在这次任务和设置下，没有足够证据说 pro 更好。更强的模型可能懂得更多、写得更扎实，却未必更愿意放弃那套「好助手」的表达习惯。
普通人可以直接这样改
不用做实验，也不用写代码。先看输出问题出在哪，再复制对应的话。
如果整体像公文、像宣传稿，直接加：
想象你在微信群里，把这件事讲给一个完全不懂行的朋友，就像平时打字说话那样写。写完自己检查一遍，把像文章腔的句子改掉再交。
如果满屏 emoji 和加粗，光说「自然一点」不够，要写得具体：
不要用 emoji 当小标题，不要满屏加粗，不要写「综上所述」「希望对你有帮助」和评论区互动话术。
如果已经拿到一版不满意的输出，别只说「删掉套话」。把你介意的表达列给它，再要求保留原有信息。清单越贴近你的真实反感，改得越准。
最后自己扫一眼开头和结尾。机器会漏掉「本质是」这类变体，也可能误删正常引用；而且文字干净了，不代表数字和事实就自动可靠了。
我现在更倾向于把这件事理解为：给模型一个明确的读者，再给一份明确的验收标准。 至于「不是……而是……」，也不用见一个杀一个。欧阳修早就写过「醉翁之意不在酒」，问题从来不是句式有罪，而是每篇文章都拿它撑场面。
