为什么大家口中的“AI 味”全猜错了？
我先把 283 万字这串数字放下，问一个朴素问题：它测的是“哪几种写法更像 AI”，还是测了一个已经挑好题的样本？仓库说明里写着，样本是 629 篇文章、2,826,972 个汉字；模型侧 300 篇，人类侧 329 篇，覆盖 38 个话题，先测试 26 项候选特征，最后留下 11 项。方法很认真。可是，语料因为版权和隐私没有入库，第三方无法直接复算。这个区别很重要：我能复核它用了什么正则、分母和阈值，却不能把 11 条结论当成已经盖章的“AI 探测器”。
最有意思的反转在比喻和设问。人类文本使用比喻标记的频率是模型文本的 2.4 倍，正文设问句甚至达到 17 倍。看见破折号、问号、比喻就抓 AI，像拿“某人穿红鞋”去判断他是会计师。真正更容易露馅的，反而是段首零回指评论，频率比是 4.4；理想化职业人格作比喻是 7.3；“先说一句空话，再用冒号宣布列表”是 9.4。AI 写作把读者丢在句子外面，让读者自己猜它在评论什么。
还有一个容易被忽略的结论：模型之间的差异大到离谱。破折号频率从 GPT 的 0.11 到 DeepSeek 的 5.16，极差四十多倍。若只拿一个模型总结“所有 AI 都爱用破折号”，就像拿一只麻雀解释整个鸟群。
我认可这项工作的价值，理由也很具体：它把“我觉得像 AI”拆成可定位的形态指标，还公开了六次测量翻车记录，承认 Markdown 表格被误算成句子、问句小标题的分母选错等错误。科学不是永远不犯错，犯错以后把错的数字留下展览，反而更难能可贵。
我的收尾钉子是第三方复现。语料不公开时，至少应让另一组人用公开版权的 1 万篇中文文章复跑同一套算子，再报告按模型、按文体分层后的结果。这个项目可以当作写作诊断仪，不能当作测谎仪。能把 2,826,972 个字说清楚，不代表它已经解释了“像不像”这件更复杂的事。
来源：
- https://github.com/larashero3-dotcom/lieflat-less-ai-tone
- https://www.opengroup.org