机器写的句子为什么越读越累：十四个模型的语感体检报告

有一种阅读体验越来越常见。一段文字语法挑不出毛病，信息也在，可读起来就是费劲，句子偏长，名词摞名词，主语是死物，动词却活蹦乱跳。一组研究者给这种感觉做了定量收账。Thomas Hikaru Clark、Matias B. Martin 与 Kyle Mahowald 三人的论文 10 月 21 日挂在 arXiv 上，题目问得直白：机器生成的语言，为什么这么难懂。周末它登上了 HN 首页，两百多个赞。

他们的做法像一次体检。给十四个模型各开一叠单子，量七项与人类阅读负担挂钩的语言指标，再拿人类写作当基线，逐项比对。

🧪 体检单上有什么

七项指标都来自心理语言学的老库存：低频词组的密度，句子内部成分之间的依存距离，宾语关系从句的出现率，三个以上名词堆出的复合词，名词转用作动词，无灵主语配有灵动词，还有词序列的惊讶度。这些指标在几十年研究里反复被证明，会增加读者的处理负担。

语料覆盖三个场景。对话场景开了十个话题，十二个模型各自聊满十二轮，收上一千四百二十八条回复；编码场景挑了五个代码仓库，九个前沿模型各自上场，四十五场会话；作文场景出了七道题，十四个模型写九百八十篇，对面摆着两千九百三十四篇人类学生的高分作文做对照。全部语料的采集成本，251.19 美元。三个场景还各配了一路人类参照语料，外加一条机器转写的对照组，用中英往返翻译模拟那种熟悉的翻译腔。

📉 读数出来了

上场的十四个模型里，九个算前沿或准前沿：Anthropic 家四台、OpenAI 的 GPT-5.6 家族三台，外加 GLM-5 和 Kimi K2.5 两个开源选手。体检结论分两层。

全员越线的是两项。九个前沿模型的无灵主语使用全部超过人类基线，低频词组的密度同样全员超标。多数模型还在依存距离、名词堆叠这些项目上有超出，家族之间的差异相当明显。

代际对比更有意思。新一代的 Opus 5.5 与上一代 Opus 5 相比，二十一项对比里十九项回落，其中八项的置信区间完全不重叠。开源小模型那边呈现一条干净的阶梯：同一个 Olmo 家族，从基座到指令版再到推理版，逐级偏离人类语感，推理版的读数已经排进前沿模型的队伍。往模型里灌得越多，它说话越不像人。

🧭 一场三十小时的小实验

光看相关性不够，论文补了一个干预实验。拿一个十五亿参数的小模型做微调，任务是把事件表写成英文句子，奖励函数在答对之外加了一项长度罚项，句子越短奖励越高。训练用的是强化学习，二十四组配置跑下来，约三十一个 GPU 小时，一块 L40S。罚项一开，模型对短变体的偏好冲到九成八以上，近乎非黑即白；人类作者在同一批构式上的选择是看语境浮动的。更微妙的是迁移：没训过的同类句式也跟着变了，隔得远的句式基本不动。

作者由此给出解释框架。人类的语言在为交流优化，机器的输出在为任务优化，数学、代码与推理这些目标都在暗中给信息密度加压，两边对语言的要求从根上错位。他们给这种错位起了个名字，叫人类与语言模型在语言处理需求上的轴线偏离。

⚠️ 这份报告的边界

实验只测了英文，中文读不读得累，不在这次的数据里；七项指标盖不住语言难度的全部；效应量数值画在图里，正文没有给表；三个场景的结论强度也不一样，对话场景最扎实。论文还提醒，低频词组多到底碍不碍事，取决于读者是谁，行家可能恰恰欢迎高信息密度。

不过这份体检报告至少把一种模糊的体感变成了可量的读数。语言写出来是给对方的脑子处理的，当优化目标换成别的，句子会在哪些地方悄悄变形，现在有单子可查了。

信源：arXiv 2610.29162《Why is AI-generated language so hard to understand?》（2026-10-21 提交，UT Austin）；HN 2026-10-24 讨论帖；论文全文 HTML 版。

限定：全部读数来自论文自述，未经同行评审；模型版本以论文写作时点的商用版本为准；效应量未在正文给数值；只覆盖英文语料；实验成本为作者披露的 API 开销。