一段稿子读到第三段，编辑的手已经放在删除键上——不是内容错了，是节奏太齐。每段都是三行，每段都是「观点加解释」，每个小标题下面恰好四条。人写东西不会这么均匀，总有地方一句话带过，也总有地方啰嗦两句。这种均匀感，就是所谓 AI 味最稳定的来源。
一眼假的不是内容，是节奏
读者判断一段文字像不像人写的，用的不是逻辑，是节奏感。句长有没有起伏、段落有没有轻重、举例是不是落在具体的人和事上，这些信号在读到第二屏之前就已经完成判断。内容再正确，节奏一直平，读起来就像说明书。
节奏为什么平？因为模型每一步都在选「最可能的下一个词」。最可能的表达，通常就是最常见、最四平八稳的那一种。它在统计上是对的，在阅读体验上是平的。这种平跟 token 的切分方式也有关，切法会影响句子的呼吸感，可参考token 是怎么切分的。
六个特征，逐个对一遍
| 特征 | 在文中的样子 | 反过来怎么改 |
|---|---|---|
| 段段对称 | 每段都是「观点+解释」，长度相差不到两行 | 允许一段只写一句，把重点那段写到五行 |
| 对仗句密集 | 「不仅……而且……」「既……又……」连着出现三次以上 | 拆成两句短句，删掉连接词，让因果自己显出来 |
| 形容词多、名词少 | 「极大提升了效率」「显著改善了体验」 | 换成数字和时间：以前半小时，现在两分钟 |
| 结论正确但落不了地 | 「要做好数据治理」「要注意合规」 | 换成谁、在什么情况下、具体做哪一步 |
| 清单长度一致 | 每条都是「关键词+一句解释」，字数接近 | 重要的写三行，次要的写半句，允许不齐 |
| 结尾必升华 | 「让我们一起迎接 AI 时代」这类收尾 | 换成一句具体的下一步：明天先改哪一页 |
六条不用全中才算可疑，中三条以上、且集中在同一篇里，基本可以判定是模板产出。反过来改的时候也不必六条都动，先把形容词、落地性、结尾这三条改掉，读感变化最明显。
为什么模型偏爱这种写法
训练目标是让下一个词的概率最大化，而语料里最常见的是规范、平衡、四平八稳的表达——公文、通稿、教科书、营销文案。模型学到的是这些文本的平均口味：不冒犯、不偏激、不留毛边。对齐训练又进一步压低了带个性的表达，因为个性往往意味着风险，而风险会被扣分。把随机性调低，这种倾向还会更明显，见温度值怎么影响输出。
清单长度一致还有一层原因：模型是按条生成的，每条都遵循同一个模板（关键词加一句解释），生成到第四条时，前三条的长度已经成了上下文里的示范，它会照着补齐。人写清单不会回头看前三条多长。
反着改，就是改法
改的方向和识别的方向正好相反：把形容词换成数字，把对仗拆成两句，把整齐的清单改成长短不齐，把结尾的升华换成一句具体的动作。这四步做完，信息还是那些信息，读起来已经像个人写的。
还有一步更根本：往里加只有你知道的东西。具体的时间、具体的人、具体的数字、当时的具体反应。这类细节模型编不出来，因为它不在语料里。一段文字里有两三处这样的细节，AI 味会明显下降，而这些细节本身也是文章的价值所在。想让模型少写套话，得在提示里把禁止项写死，方法见提示词里怎么给约束和示例。
改得掉句式，改不掉没有经历过
有些东西改句式解决不了。你没法让一段没有现场经验的文字写出「那天下午三点，空调坏了，客户在会议室等到第四十分钟开始收拾东西」这种句子，除非你真的知道这件事。模型能生成合理的场景，但合理的场景读起来仍然合理得过分——它不会写错一个无关紧要的细节，而人写的时候总会带上几个。
这也解释了一个常见现象：同一篇稿子，讲通用方法的部分读起来很顺，讲具体案例的部分开始发虚。发虚的地方是素材问题，不是文笔问题。补素材只能靠采访、靠记录、靠自己去用一遍。
AI 味重不等于内容差
两件事要分开看。AI 味重，说明表达模板化、没有辨识度；内容好不好，取决于信息是否准确、有没有增量。一份财报解读写得四平八稳，数据全对，它的价值不会因为句式整齐而消失。反过来，文字很有个性、信息全是错的，也没法用。
实际判断可以分两步：先看信息有没有增量（有没有你不知道的事实、数字、判断），再看表达有没有毛边。前者决定要不要读，后者决定读起来累不累。改稿的优先级也该是这个顺序——先补信息，再调节奏。
速查：六条自检
- 段落长度有没有起伏
- 对仗句是否连着出现三次以上
- 形容词能不能换成数字
- 结论有没有落到具体动作
- 结尾是不是一句升华
