一分钟速览
- 有些 AI 句子省下几个词，却把补全动作和修饰关系的工作留给了读者。
- 六类语言特征的表现随模型、任务和比较对象变化，这不是一张统一的难读排行榜。
- 小模型实验表明长度奖励能改变句式偏好，前沿模型为何形成这种文风仍需更多证据。
很多时候读大模型生成的回答，哪怕内容完全正确，读上几段就会觉得异常疲惫、喘不过气。来自纽约大学和德克萨斯大学奥斯汀分校的语言学研究，通过对 14 款大模型生成文本与人类真实文本的横向对比，找到了这种“心累感”背后的一组重要线索：不少前沿大语言模型，正在系统性地过度使用 6 类与理解困难有关的语言特征。
这项研究没有请真人阅读这些回答，再测阅读耗时、理解正确率或疲劳程度。它测的是语言特征；这些特征与处理难度的联系，来自既有心理语言学研究。因此，它提供了理解 AI 阅读负担的具体线索，还不能给出“某款模型让人多累多少”的答案。
六类表达，怎样把理解工作留给读者
人读句子时，会随着词语出现逐步建立意思。读到一个对象，要知道它做了什么；读到几个名词，要分清谁修饰谁。有些词看起来可以删掉，却恰好能帮助读者辨认这些关系。
下面保留论文中的英语例子，用中文解释阅读时可能需要多做的那一步。各处长短改写用于讲解，不是研究采集的人类回答，也不表示原句都应该修改。
1. 省去 that，少了一道提示关系的词
论文语料中，Kimi K2.5 写过：
That’s not “trip to Vegas” money, that’s “leave the job you hate” money.
意思是：这笔钱不只够去拉斯维加斯玩一趟，还够让你离开那份讨厌的工作。看其中的 the job you hate，job 是 hate 的对象，后面的 you hate 在修饰前面的工作。
加一个词，就成了 the job that you hate。that 提前提示读者：接下来这段话是在说明哪份工作。这里的结构叫“宾语关系从句”，是定语从句的一种。
省掉 that 完全符合英语语法，人类也经常这样说。关键是语境：后面的关系容易辨认时，省略很自然；关系复杂或不容易预测时，多一个提示词可能更好跟上。研究发现，模型相对往返改写更偏好不带关系词的形式，不能据此把每一次省略都判成难读。
2. 把名词直接当动词，读者要猜出动作
Claude Fable 5 的例子很短：
calendar it
calendar 通常指日历，这里直接用来表示“把它记进日历”。换成 put it in the calendar，词多了，动作也写明了：放进去，放到日历里。
英语本来就允许名词动用，例如 bottle the whiskey 表示把威士忌装瓶。熟悉的用法读起来可以很顺畅，没必要见一个改一个。问题是临时创造或读者不熟悉的用法：模型用一个词完成了压缩，读者却要根据上下文，自己还原这个词在做什么。
3. 让抽象事物做生命动作，读者要先解比喻
Claude Opus 5 在聊天中写道：
The whole conversation is eating its own tail.
直译是“整场对话正在吃自己的尾巴”。对话没有尾巴，读者需要从这个画面里还原出“讨论又绕回相同的地方”的意思。
拟人和比喻当然可以帮助表达，有时还比直说更清楚。研究关注的是：模型会不会过于频繁地让对话、代码、抽象概念，搭配通常由有生命对象完成的动作。读者如果不熟悉这种搭配，就要先解释比喻，再接回正在讨论的问题。
4. 主语迟迟等不到谓语，前面的意思要一直记着
Claude Opus 5 的另一个例子是：
A cat who can always get up and away is a much calmer cat.
这句话说，随时可以起身离开的猫，会更平静。读到 cat 后，要经过 who can always get up and away 这七个词，才等到主句的 is。按词序位置计算，cat 到 is 的距离是 8。
讲解时可以换成：A cat is much calmer if it can always get up and away. 读者先接上“猫会更平静”，再接“如果它随时可以离开”这个条件。
研究把这种相互关联的词之间的跨度称为“依存距离”，测的关系不只主谓，也包括其他语法联系。它还调整了句长差异，避免只是因为某个模型句子更长，指标就更高。重点是相关部分相隔多远，而不只是整句话有多少词。
5. 多个名词连成一串，读者要自己分层
Claude Sonnet 5 的聊天输出中出现过：
horror movie soundtrack generator
恐怖、电影、配乐、生成器，一个接一个排在一起。读者要自己分出层次：这是什么生成器？生成配乐。配乐用于什么？恐怖电影。
换成 a generator of soundtracks for horror movies，of 和 for 把关系写在了句子里。它未必比原句更适合所有场合；熟悉某个领域的人，可能一眼就能看懂名词链。但当陌生概念不断叠加，读者需要自己补出的修饰关系也会增加。
6. 每个词都认识，相邻的组合却很少见
Claude Opus 5 的编程输出有这样一段：
Every behavioral test was verified red against the original source …
这里的 red 使用了软件测试中“失败”的含义。大意是逐个检查行为测试，确认它们在原始代码上会失败。但 verified red against 这个组合并不常见，读者需要结合测试语境，恢复被压在其中的意思。
论文用连续相邻的词组来衡量这种不常见程度。所谓 n-gram，就是连续的 n 个词；二元组是两个词，三元组是三个词。研究统计了参考语料中从未出现的词对，也用三元语言模型计算“困惑度”，衡量这些搭配有多难预测。这里的困惑度是统计指标，并非对真人困惑感的打分。
作者还在引言中自拟了 reader-patience budget，把“读者的耐心”拼成一种“预算”，用来示意这类压缩。罕见组合可能有创意，也可能准确，问题在于一篇回答里是否不断要求读者现场猜出新关系。
句子拆开看：读者要补哪一步？
原例与讲解改写同时保留。改写用于说明表达关系，不是论文实测的人类回答，也没有阅读速度评分。选择一个例子主语与谓语隔得太远省去关系词 that即兴把名词用作动词让抽象事物做生命动作把多个名词连成一串拼出罕见的相邻词组
来源例句Claude Opus 5 · 聊天
A catwho can always get up and awayis a much calmer cat.
讲解改写
A cat is much calmer if it can always get up and away.
读到 cat，先记住“猫”；经过一串补充说明后，才等到 is。改写把 cat 和 is 放近，条件放到后面。两句都在说：随时能离开的猫会更平静。
聊天为 120 场对话，编程为 45 次会话，作文为 980 篇；三类任务分别覆盖 12、9、14 款模型。下半部标出了例句中的相应结构。来源：论文图1。
是内容复杂，还是本来可以换一种说法
专业内容本来就可能难读。研究者需要分辨：模型使用这些表达，是任务内容所必需，还是它偏好的说话方式？
他们做了两种比较。第一种是找近似体裁的人类文本：聊天用影视字幕，编程用 StackExchange，作文用同题的高分学生作文，另加维基百科参照。这些材料提供了人类表达的基准，但影视对白、编程问答与 AI 助手回答毕竟不完全相同。
采集到的 120 场聊天和 45 次编程会话，后续提问由另一个模型模拟用户生成。编程分析取的是模型面向使用者的回合末自然语言说明，代码、工具输出与内部推理不算在内。980 篇作文则来自 14 款模型对七道题的单轮写作。
第二种比较更贴近“同一内容换种说法”：用 NLLB-200 将每个英语句子译成日语，再译回英语。这样得到原句与改写的配对，尽量保留内容，同时改变具体用词和句式。往返翻译会把表达常规化，也可能改变细节，无法保证全部语义原封不动；它与人类语料比较相互补充。
柱长汇总了特征变化的绝对幅度，以原始特征在模型间的标准差（SD）为刻度；横线为 95% 自助法区间。柱子不表示变化方向，也不是疲劳分数或“回归人类”的程度；短横线表示未运行该任务。来源：论文图2。
结果确实显示，许多表达可以换掉。在三类任务中，多数前沿及近前沿模型的罕见词组指标高于自身往返改写；无生命主语、名词动用、省关系词的宾语关系从句，也大体呈现类似趋势。带关系词的宾语关系从句则常常相反：往返后更多。
但六类结果并不整齐一致。聊天、编程中的长依存与名词堆叠变化更突出；作文的依存长度在往返后不变或略增，名词堆叠只有两个模型显著变化。作者猜测，多轮聊天和编程可能带来更强的信息压缩压力，不过这次没有在同一任务中控制轮数，来验证这个原因。
与人类相比，也不能说模型六项全部更高。作文对照中，罕见词组与无生命主语的差异更一致；省关系词、名词动用、依存长度等指标则有不同情况，多数模型的作文依存长度还低于学生作文。
菱形为模型汇总，横线为 95% 自助法区间；虚线为对应体裁的人类基线，点线为维基百科，并非每个格子都有人类参照。关系从句、名词堆叠按每千词计，动词相关项按每千句计，依存长度已调整句长差异。可放大对照阅读。来源：论文图5。
后训练可能改变文风，证据走到了哪一步
模型之间的差异，提供了一条值得追查的线索。Llama 与 Olmo 基础模型在多项特征上，往返翻译带来的变化较小。Olmo 从基础版、指令版到推理版，罕见搭配等指标的变化总体增大；Olmo Think 的某些表现已接近前沿模型。
这让研究者怀疑：模型在学会回答问题、写代码、做推理的后训练阶段，可能逐渐偏离了适合人类阅读的表达。可这不是对训练过程的直接追踪，不能仅凭几个版本之间的差别，就认定后训练是唯一原因。
作者提出的可能机制是，代码和数学任务可以用测试、规则或答案校验来给奖励，也就是“可验证奖励”。答对题不要求附带说明让普通人容易看懂；如果训练还有节省输出长度的压力，模型便可能偏好更紧凑的语言。这里的压缩压力是待解释的机制，不能当作所有前沿模型已确认的训练配置。
语言也有改善的空间。Opus 5.5 与 Opus 5 的 21 组比较中，有 19 组困难相关指标较低，其中 8 组的 95% 区间不重叠。这说明更近的版本不必然更难读；19 组较低也不等于 19 组都通过了显著性检验。
给短表达奖励，模型会怎样选择
为了检查“长度压力能不能改变句式偏好”，研究者在 Qwen2.5-1.5B-Instruct 上做了一次受控实验：给模型一份结构化事件，让它写成英语句子。
例如，事件是“他给我们发了一张照片”，两种输出都正确：
He sent us a photo.，图中记为 6 个 Token；He sent a photo to us.，图中记为 7 个 Token。
研究者在奖励正确表达的同时，增加输出长度的惩罚。这样，模型没有必要改变事件含义，也能通过选择较短句式少受惩罚。训练没有直接告诉它要省掉 that，或指定必须使用哪种长短形式。
训练还包括两类可选 that 的结构：the book (that) the professor wrote，表示教授写的那本书；knew (that) the answer was wrong，表示知道答案错了。括号中的 that 都可以保留或省略，研究要看模型会怎样选择。
实验还调整了另一项约束：限制新模型偏离原模型的输出分布，称为 KL 正则。读者可以把它理解为，在鼓励节省长度的同时，保留一股维持原有表达偏好的力量。
横轴为长度惩罚 λ，橙线无 KL 约束，蓝线有约束。B 是正确采样回答中短式的占比；C、D 是在两个候选句子中强制选择短式的概率，口径不同。点为三个随机种子的均值，小点是各次结果；虚线为原模型。来源：论文图7。
没有 KL 约束时，只要长度惩罚大于零，两个已训练的 that 句式，在正确输出中采用短式的比例都超过 98%。加入 KL 约束后，偏好通常上升得更缓。不过，其他已训练句式并非全部走向同样的极端；像 picked up the book 与 picked the book up 这种等长的对照，也没有随长度惩罚明显改变。
更有意思的是，模型把偏好带到了未在这次微调中训练过的结构：was sure (that) the door was locked，表示确信门锁好了；spoke slowly so (that) we could follow along，表示说慢一点，好让我们跟得上。它不只记住了训练题里的个别句子，而是把省词的倾向推广到了相近句式，这叫“近迁移”。
推广也有限。在四类更远的句式比较中，研究只在所有格结构、且没有 KL 约束时观察到迁移。例如，noticed the old house’s roof 与 noticed the roof of the old house 都表示注意到老房子的屋顶，偏好向少一个 Token 的前者移动。被动表达和 to 与 in order to 的选择没有显示类似变化，量词短式本来就已接近最高比例。不能把结果概括为“所有新句式都被压缩”，也不能反过来说“远迁移完全没有发生”。
这项干预支持一个具体因果：在这个小模型和任务里，增加长度成本，足以改变语法选择。它没有复现 Claude 或 GPT 的实际训练过程，尚不能证明那些模型的文风就是这样形成的。
附录还用 40 个无关的开放问题检查自然回答。无 KL 约束的采样回答中，词组变得更罕见的趋势较一致，但回答长度和各项指标并不都随惩罚单调变化。研究者也更换了俄语中转、TranslateGemma 等翻译配置，检查往返后的长度；有些配置扩长，有些变化较小。这些结果提醒我们，语言变化不能简单归结为“整篇回答变短”。查看附录原图：自然回答与往返翻译的长度检查
改 AI 文字，别把目标只设成“再短一点”
人类语言研究中有一个“均匀信息密度”假说：表达者会倾向于把信息分摊开来，避免某一处突然要求对方理解太多新关系。例如，后面的内容不容易预测时，人可能保留可选的 that，让听者提前辨认句式。这样的词占了长度，却可能降低理解负担。
这也给修改 AI 文稿提供了一些具体方向：看见一串名词，检查修饰关系是否清楚；看见临时动词，检查读者是否知道它代表什么动作；主语出现很久还没接上谓语，就尝试把条件移到后面；遇到漂亮比喻，问它是否真的比直说更容易懂。
这也意味着，选写作模型时，代码和数学成绩之外，还需要单独检查它给目标读者写出的实际文章。这组结果显示，较小或较早阶段的模型在部分语言特征上可能更接近人类文本，但它没有证明参数越小文笔就越好。
如果用 AI 改稿，可以把“精炼、无废话”细化为这样的要求：“保留事实、例子和必要条件，删去重复；把动作说清，把名词之间的关系写明，让相互关联的词靠近。是否保留连接词、简洁用法和比喻，以读者能否顺着读懂为准。”这给模型一个可以检查的修改目标；修改后，仍要拿原例和改写逐句比较，看看信息有没有丢、关系有没有更清楚。
这些是由研究启发的编辑建议，论文没有验证某条提示词一定有效。它只分析英语，话题、仓库和模型数量也有限。用在中文写作中，可以借鉴“把关系说明白”的思路，实际效果仍需读稿判断。
模型能把信息压得更紧，不代表读者能同样轻松地展开。修改时值得保留的，是能帮助人接上意思的那些词。
