当我们在抱怨AI不讲人话时，我们在抱怨什么？

Posted Nov 2, 2026 Updated Nov 2, 2026

By Tianjian Liu

19 min read

这段时间可以看到社区有许多讨论AI“不说人话”现象的帖子，并且，AI”不说人话“也某种程度成为了一个出圈的梗（许多AI短剧中的“怕，但账要算清”“吃了不烧心”句式实际也是出自“不说人话”的AI）。对于这些现象，大家普遍认为AI输出的内容: (i) 存在许多固定的AI slop，例如破折号，”Prism“，”不是而是“等句式词语模板；(ii) 会过度压缩，自创许多”黑话“和防御性写作，导致读者读起来很难懂，信息量很低； (iii) 输出内容缺乏多样性，最后导致社区内容同质化。许多博主也贴出了防止AI”不说人话“的prompt或者skills，一些最近的papers也对这类不说人话进行了探索，但整体感觉都比较分散，这里希望结合最近的一些工作，聚焦讨论一下模型”不说人话“的具体表现，以及个人认为可以探索的方向和对这个方向的思考。总结起来，目前社区和学界主要认为AI输出的文字存在这三个问题:

AI的语言存在与人类不同的用词，造句偏好；
相较于人类，AI输出语言的信息密度更高
在和人类交互的过程中，AI和人类并没有形成好的common ground。

用词，句式偏好差异

在2026年伊始，牛津词典就将ai slop视作2025年的年度词汇。早在2025年9月，就有研究者尝试测量模型中的ai slop含量 [1]，在这篇文章的定义中，“Slop”指的是信息空洞或跑题、事实不可靠、风格冗长重复，从而让人觉得低质、多余的文本。作者通过人类专家和编辑建立slop的类别与标注片段，并测试各个方法检测的效果。结果显示，人类对于slop的片段有比较统一的感知，这种分类体系也是有效的。然而，AI slop的自动检测很难做，基于当时LLM的方法，与人类的一致性也近乎为0。基于句法特征的方法表现最好，但判断的准确率也仅有0.64–0.68。而ICLR 2026的antislop [2] 则循环统计模型输出与英语词频库wordfreq的比值，来说明某个词被AI滥用的程度。例如，模型第一轮写作了2000篇小说，检测到”Elara“这个词滥用最为严重，就将其视作slop禁止生成，然后迭代再生成，观察下一轮哪些词语被滥用最严重并循环操作，直到最后不再冒出新的slop。antislop的作者也提出了FTPO来尝试抑制模型滥用slop的问题，其核心思想是在slop要出现的位置上把slop token的logit压到几个通顺替代词之下，并限制替代token logit与slop token logit的差异幅度，从而抑制模型slop的生成。最终发现，在写作质量轻微下降的基础上，模型较好地抑制了slop，并且总的 slop 真的变少了，而非换了一批新slop。

（值得一提的是，antislop的作者还有一个eq-bench，也是有评估模型的语言表达能力）

最近，复旦清华也有团队 [3] 专门聚焦于”不是…而是“这个句型，发现5个前沿模型使用不是而是的密度是人类的2.5-9.2倍，并且这些表达主要是”不恰当“的多余表达，即模型使用”不是…而是“并没有推进讨论，测试也没有提供使用”不是而是“的语境。作者尝试进行归因分析，发现这一结果的原因一方面是reward model对这个句式本身就有偏好，而这个偏好可能又来源于输出的长度偏好；另一方面是模型在SFT和DPO后输出的“不是而是”句式要显著高于base model。

除此之外，也有许多工作在讨论LLM生成的用词、句式存在固定的模板特征，缺乏多样性的表达，但在我看来这一结果如同AI生成的UI风格趋同一般并不奇怪，属于模型本身架构决定的特征。因此在这里不详细介绍。

信息密度的不一致

除了用词、句式偏好差异外，也有许多人反馈模型输出的内容防御性很强。一个有趣的现象是，模型整体输出的内容会显得“空与泛”，但是在具体内容读起来却十分疲惫。对于前者，我们可以用防御性写作来理解，即模型在表达一个观点时，会加入不必要的限定与纠正，然而这些限定往往并没有提供实质信息。最近电子科大与上海交大团队 [4] 测试了GPT系列改写学术段落时的这一倾向，发现单纯润色并不会触发防御，但一旦要求模型应对审稿人的潜在质疑，高版本GPT就会密集塞入缺乏依据的免责限定，甚至在约40%的结果分析段落中直接撤回作者原有的结论。人工核查显示，这些额外限定中有60%都属于字面挑不出错、却毫无增量信息的冗余表达；偏偏AI审稿人更偏爱这种写法，删去冗余限定反而会导致AI打分下跌，而人类读者只会觉得行文割裂、作者底气不足。

而对于后者，NYU与UT Austin的一项研究 [5] 从“均匀信息密度”的观点解释了这个现象：人类说话时会把信息均匀分布在句子里，避免读者在某处一下子接收太多，为此人们常会主动加上一些可有可无的虚词（如英文从句中的引导词 that）作为缓冲；而AI的目标往往是最大化信息密度，如果只追求用最少的token表达同样的意思，那么同一意思有长短两种说法时，模型就会一律选短的。作者将这一结果归因于脱离人类反馈的后训练（如RLVR）与长度惩罚，同时也发现base model相较于经过后训练的reasoning model，在文本可读性上要更强。另一项基于人类眼动数据预测阅读耗时的研究 [6] 也印证了这种代价：对比人类新闻原稿与模型的等价改写后发现，模型虽然压缩了总词数，却换用了更长、更低频的词汇，导致平均每个词的阅读耗时反而上升，且篇幅压缩得越狠，单个词的阅读成本就越高。

此外，24年就有一篇CHI的工作 [7] 通过专业作家的修改实验，说明了AI输出相较于人类会存在过度的华丽修辞和不必要的冗长叙述等问题。这篇工作主要建立了很好的语言特征分类学，但评测的模型和今天已经有些距离，在此仅做简要介绍。

Common Ground的差异

除了信息密度的差异外，AI“不说人话”还源于交互过程中共同认知基础（Common Ground）的缺失，主要体现在模型既爱用人类较难消化的非常规词汇句式，又常直接输出当前用户并不理解的私有信息。对于第一点，前文NYU与UT Austin的研究 [5] 指出，前沿模型还会频繁造出偏离人类日常语感的表达，例如临时把名词当动词用（如 calendar it、footnote it）、让无生命主语搭配动作动词（如 is_file() swallows that），以及堆叠多重名词和生僻词组。人类语言在演化中会自然淘汰阻碍理解的说法，但大模型拥有无损的长上下文注意力和庞大语料先验，加上后训练逐渐转向代码、数学等机器验证任务，便演化出了一套内部表征高效、人类读起来却格外拧巴的“AI方言”（开头提到的AI短剧台词也有这种影子）。

对于第二点，这种视角错位在多步执行的Agent场景中尤为突出。最近华东师大与上海AI Lab等团队 [8] 评估了8个主流模型在多轮Agent任务中的“回复可用性”。由于Agent在后台调工具、查资料和记笔记时会形成一套用户看不见的私有语境，站在用户可见视角测试后发现，高达54%的默认回复是不可用的，且后台调用工具的轮数越多，最终回复就越难懂。问题主要集中在两类信息断层：一是直接引用用户从未见过的后台材料（如内部检索编号 R07），二是把自己在私有笔记里随手编造的实验代号或配置名（如 crn_hierbm25_L）不加解释地直接抛给用户。更有意思的是，仅在system prompt里提醒模型“用户没看过你的工具调用和笔记”几乎毫无作用，必须显式规定解释未见概念、进行多次采样或用辅助模型二次改写，才能有效对齐双方的common ground。

Language，Taste与Human-centered tasks

实际上，早在ChatGPT刚问世时就有了AIGC detection的相关工作，围绕AI写作的讨论也持续至今，其中一个被广泛认同的观点是：“只要内容有价值，是否由AI生成其实并不重要。”然而，随着模型在coding和math能力上不断走高，人们却发现它的语言表达越来越晦涩难懂。今天我们希望模型“说人话”，并非指责AI代劳人类的写作，真正想说的是模型在替人写作和表达这件事上反而越做越差了。我们期待语言回归作为交流与理解的工具。尤其是最近DeepSeek关于harness super agent的讨论中也提到，在多session的场景下，人的注意力正越来越成为与agent协作的瓶颈；此时，好的语言表达能力本身就是对人类注意力资源的保护。然而，怎么scaling模型“说人话”的能力依旧是一个挑战，可以看到，如果给模型施加长度惩罚，那么模型就会过度压缩；而如果不给模型施加长度惩罚，那么模型则会多余地使用“不是…而是”这样的固定slop句式。

从这个角度看，所谓taste，在我看来其实是在有限资源约束下做出决策与取舍的质量，其核心是对value和cost有准确的估计。写作恰恰是一个不断权衡value和cost，体现agent taste的过程：一方面，作者需要判断在论文的问题阐述、方法介绍与结果汇报中，哪些high-value的内容应该被强调，哪些low-value的细节应该被省略；另一方面，作者也需要估计读者的阅读cost，换位思考读者此时的知识背景、认知负荷和注意力，并据此组织表达。然而，模型往往缺少这样的tacit knowledge和取舍的魄力。因此在我看来，语言表达和写作也是模型展现taste的重要场景。并且，写作的taste也是高度个性化的，每个人对value，cost的感受都会不一样，在模型不确定value和cost的时候，怎么让模型高效从人类身上校准，会是一个非常重要的事情。

至于开头提到的generation diversity问题，我个人认为这一方面与base model本身的生成能力有关，另一方面也离不开人的参与（human engagement）。以语言写作这类human-centered tasks为例，很难苛求模型在不交互的情况下，单轮直接输出既多样又契合长尾场景rubrics的内容；我们更应该关注单轮生成之后模型与人类协作的过程，即“人类如何高效地将自我的context传达给模型”。例如，模型第一轮写出的剧本当然可以是“贵是贵了点，但吃了不烧心”这类模板句；但如果在收到一轮人类的personalized feedback后，模型能把其中个性化的意图与语境高效地注入修改之中，最终呈现出的diversity自然会好很多。