免费 AI 词语清理器

大型语言模型按概率选择每一个词语，而两层训练会把这些概率偏向本工具所标记的词汇。第一层是预训练：模型从海量语料中学习，而其中经过润色和编辑的散文, 如书籍、新闻和营销文案, 占比过高。在这样的语料里，夸张动词和装饰性隐喻是专业写作者传达质量的方式，因此模型会把 delve、tapestry 和 pivotal 吸收为高价值词语。

第二层是来自人类反馈的强化学习，也就是 RLHF，这正是这种效果变成一种指纹的原因。预训练之后，模型生成候选答案，人类评审员对自己更偏好的答案进行排序，另一个奖励模型学习预测这些排序，而语言模型随后被优化以最大化这种预测到的认可[Ouyang et al., 2022]。评审员一贯更喜欢听起来自信、全面且表达流畅的答案，而模型要做到这一点，最便宜的方式就是词汇层面的, 如使用令人印象深刻的动词、强调性的形容词、工整清晰的过渡语。每一轮优化都会把更多概率集中到同一小组受到奖励的词语上，这种收缩被研究者称为 mode collapse。这就是为什么 ChatGPT 时代的每个模型，无论供应商是谁，最终都会收敛到同一种声音。

这种指纹如今已可在群体规模上测量。Science Advances 在 2025 年的一项分析追踪了超过 15 million 个 PubMed 摘要中的过量词汇，发现自 ChatGPT 发布后有数百个词语激增，其中 delve、underscore、meticulous、boast 和 showcase 是最强信号之一[Kobak et al., 2025]。值得注意的是，这一趋势早在 2022 年之前就已开始：LLMs 并没有发明这些词汇，而是放大了它们，如今又随着作者无意识地采纳工具生成的风格，将其反馈回人类写作中。审稿人和教授每年要读数百篇稿件，他们在第一页就能识别这种模式，而被大量标记的文字会被更严格地审视，不论是否真的涉及 AI。