NYU 与 UT Austin 研究发现大语言模型生成文本的六种高认知负荷结构

纽约大学与德克萨斯大学奥斯汀分校的研究团队分析了包括 GPT-5.6、Claude Opus 5、GLM-5、Kimi K2.5 及 Llama 在内的 14 个语言模型生成的 120 段对话、45 次编程会话和 980 篇议论文，发现 AI 文本普遍存在六种偏离人类习惯的语言结构，显著增加了读者的认知负担。

这六种模式包括：过度使用罕见词组搭配（如 "reader-patience budget"）、长距离句法依赖导致主语与谓语分离、省略连接词的短缩指代、堆叠名词引发修饰歧义、将名词强行转化为动词（如 "calendar it"）以及赋予无生命主体以生物动作（如 "conversation is eating its own tail"）。相比之下，Llama 和 Olmo 等较小模型更接近人类表达，而 Olmo Think 作为推理模型得分最高，表明后训练阶段对风格影响巨大。

研究指出，现代模型从 RLHF 转向 RLVR（基于可验证奖励的强化学习）后，训练目标更偏向数学、代码和逻辑推理中的正确性而非清晰度，导致模型发展出一种压缩信息但难以阅读的“方言”。Anthropic 员工 Jackson Kernion 证实，Opus 4.6 是最后一个注重写作的版本，后续优化为面向其他 AI 的技术解释风格；Opus 5.5 则首次针对句子清晰度和信息过载进行反向微调，成功改善了可读性。事实层面确认了 RLVR 机制与文本风格的关联，推断部分认为这是当前前沿模型“AI 化”的必然结果，猜测未来可能涌现更多兼顾效率与可读性的混合训练策略。