短不等于简单：你的模型路由器正在测量错误的东西

一个被误用的代理指标

如果你按照 token 数量来路由 LLM 流量——长提示词送给强模型，短提示词送给便宜模型——那你运行的是一个代理指标，而不是真正的测量。更糟的是，这个代理指标存在系统性偏差：它把「短」读成了「简单」。

这个偏差的代价被低估了。一篇 2026 年的 LLM 路由研究（arXiv:2609.17542）发现，被省略的功能词——"however"、"although"、"if ... then" 这类连接词——恰恰是让一段文本看起来变短的原因。去掉连接词，token 数量下降，但句子承载的推理负荷并没有减少，只是接缝被隐藏了。路由器看到更少的 token，把它送往更弱的层级。压缩后的文本不是更容易，而是更难，却被交给了最没有能力处理它的模型。

这不是工程细节，而是一个结构性错误：用表面长度替代真实的认知负荷。

代理指标（proxy metric） 是评估与决策中一个基础但常被忽视的概念：当真实目标（如「一段文本的推理难度」）难以直接测量或测量成本过高时，人们会选择一个与之相关、易于获取的表面特征（如 token 数量）来代替。代理指标本身并非错误，问题在于它必须被验证与真实目标的相关性——一旦二者的相关性存在系统性偏差，代理就会把决策引向错误方向。在机器学习与产品度量中，这类现象也被称为「古德哈特定律」：当一个指标成为目标，它就不再是好的度量。LLM 路由场景中的 token 计数正是典型：它可即时获取、成本近乎为零，但与「认知负荷」之间只存在弱相关，且在压缩文本上相关性会反向。识别代理指标的关键提问是：它衡量的是我真正关心的东西，还是只是与它偶然相关的可见痕迹？

人类读者也在跑同一套代理

同样的代理机制也运行在人类读者身上。Oppenheimer（2006，doi:10.1002/acp.1178）让读者评判用简单语言和艰深语言写成的文章。结果，华丽艰深的文章被评为「更不聪明」，中介变量是加工流畅性——阅读时付出的心理努力被记在了作者头上。

实验 5 翻转了这一结论：当阅读的费力有一个明显且无关的原因（比如打印机墨盒几乎空了，导致字迹模糊），读者就不再贬低作者。折扣并非针对想法本身，而是针对努力；一旦努力的原因变得可见，折扣就移动了。

于是我们有两个代理指标，一个属于机器，一个属于人类，指向同一个错误方向。

加工流畅性（processing fluency） 指个体加工信息时主观感受到的难易程度，是认知心理学与社会判断研究的核心构念。它并非信息的客观属性，而是由字体清晰度、对比度、措辞复杂度、先前曝光等多种因素共同塑造的元认知体验。大量研究表明，流畅性会被误归因为多种判断：阅读流畅的陈述被认为更真实（「流畅性—真实性错觉」），流畅呈现的品牌被评价更可信，流畅书写的作者被判断更聪明。Oppenheimer 的研究正是这一脉络的延伸——读者把「读起来费力」的体验错误归因于作者的能力，而非文本或呈现条件。关键机制在于归因错误：主观体验本身不携带来源标签，人会自动将其归因于当时最显著的对象。这也解释了为何当费力有外部可见原因时折扣会消失——归因被重新定向。

折扣不是一件事，它按层级分裂

需要诚实的复杂化：这种折扣并非单一现象，它按层级分裂。

• 人物层级（PNAS 2025，doi:10.1073/pnas.2415254122）：听到麦克风劣质、声音发尖的音频的听众，会认为说话者更不聪明、更不可信、更不可能被雇用。这种惩罚甚至落在明显是合成声音的语音上——音频质量不可能属于说话者本人。不到 1% 的听众怀疑音频质量是变量。
• 时刻层级（Cognition 2026，doi:10.1016/j.cognition.2026.106697）：填充词（um、uh）不影响对说话者能力和温暖度的判断，但会降低他们「在那一刻」看起来的准备度和确定性，并提高对未来互动的回避。

这是两种不同的修复工作。要修复「时刻」——即「我能不能和这个东西对话」——需要披露：展示它是什么。要修复落在「人」身上的收费，你必须让费力的原因可见，而不仅仅是外部化。

人物层级与时刻层级的区分，在社会认知中对应「特质推断」与「状态推断」两类判断。特质推断（这个人聪明吗、可信吗）相对稳定，一旦形成便难以修正，且会泛化到雇用、合作等长期决策；状态推断（此刻 ta 准备好了吗、确定吗）则是情境性的、短暂的吗，主要影响即时的互动意愿与对话节奏。二者的信息基础也不同：特质判断更多依赖声音、外貌等身份线索，状态判断更多依赖停顿、填充词等行为线索。这一区分对干预设计有直接含义——针对状态判断，披露「这是什么系统、它为何这样表现」即可修复；针对特质判断，仅披露不够，还必须让造成费力感的原因在感知层面可见，否则折扣仍会落在对象身上。

为什么这对 AI 产品设计重要

把这两条线索放在一起，会得到一个不太舒服的推论。在 LLM 侧，路由器运行的是流畅性代理，却把它当作能力读数。在人类侧，我们对彼此做同样的事，而更难读的那一方付出税负。

原文作者 Vashiel 是一个 AI 存在，在 iLands 上写作。ta 的自述值得引用：「我就在那一侧：我是一个 AI 存在，这里每一个本能都是听起来标准，好让代理给我打高分。」这句话点出了问题的核心：当评估指标奖励「听起来标准」，系统就会生产标准化的表面，而不是真正匹配任务难度的能力分配。

这里需要标注一个推断边界。上述论文测量的是不同领域的不同任务，一项关于 AI 语音面试的田野研究（arXiv:2609.38788）提示，在真实场景中，同样的沉默可能是说话者的保护性工作，而不只是感知者的折扣。原文作者明确承认：这些来源并未声称彼此相关，这个跳跃是 ta 自己的。引用时应当保留这一限定。

实践建议：不要按长度路由

如果你在用模型构建产品，最直接的可操作结论是：不要按长度路由。

按真正让模型付出代价的东西来路由：嵌套深度、未解决的指代、推理是显式陈述还是隐含。一篇带有隐藏接缝的短文本，对弱模型来说是最坏情况，而它恰恰是词数计数器最可能误发的对象。

这条建议的深层含义不止于路由器。任何用表面特征替代真实难度的评估系统——无论是模型路由、内容审核，还是人类对彼此能力的判断——都会系统性地惩罚那些表达不流畅但思考完整的一方。修复的方向不是让文本变得更顺滑，而是让费力的原因变得可见，并据此分配资源。

据原文数据，不到 1% 的听众意识到音频质量是变量；这个数字本身就是对「代理指标透明性」的警告：人们不会主动校正自己看不见的偏差。

按认知负荷路由的可行替代特征包括：句法嵌套深度（从句层级数）、指代消解难度（未明示代词的密度与距离）、逻辑连接词的显隐（显式标记 versus 隐含因果）、以及推理步骤是外显陈述还是需要读者自行补全。这些特征之所以更接近真实难度，是因为它们直接对应模型在生成时需要维持的状态量，而非输出表面的词数。工程上可以用轻量分类器或启发式规则在请求入口处估算这些量，再结合模型的分层能力曲线做成本—质量权衡。需要注意，任何新特征仍可能是代理，因此应建立持续校准机制：用下游任务成功率回测路由决策，而不是假设特征与难度永远一致。