Opus 5.5的2548个AI写作特征：如何识别AI生成文本

打开一封邮件、一篇文章或一份作业，你隐约觉得哪里不对劲。语法没问题，句子结构也很工整，但你怀疑这是AI写的。难的是说出为什么。

营销机构Graphite做了一项量化研究，试图回答这个问题。他们逐词对比了十个AI模型生成的文章和人类撰写的文章，列出了Claude Opus 5.5——Anthropic最新模型——中那些出现频率远超人类的表达习惯。

研究发现了什么

Opus 5.5中存在2,548个写作特征（tic），仅比上一代Opus 5的2,666个减少了4%。所谓"特征"，在这项研究中有精确定义：任何在AI文本中出现频率至少是人类文本两倍的词、短语或句式。

研究团队将人类文章与AI文章进行了严格配对。人类一侧是10,000篇发表于2022年11月30日（ChatGPT发布日）之前的网站文章，确保没有人用聊天机器人代写。AI一侧，每篇人类文章被摘要后，只将摘要交给各个模型，要求其写出同长度新文章，避免AI直接复制原文措辞。

三项指标确有改善

第一是破折号（em dash）。Opus 5每千词使用2.92个破折号，Opus 5.5降至0.015个，降幅99%——相当于每67,000词才出现一个。

第二是"做作文风"（affected prose），即用隐喻和修饰替代直接陈述。在一个0到100的量表上，人类文本得分6.65，Opus 5为16.75，Opus 5.5降至10.57，仍是人类的1.6倍。

第三是模型词汇与人类词汇的整体距离，相比Opus 5下降了19%。这与Anthropic在发布公告中承诺的"更少使用术语和 idiosyncratic 表达"一致。

一句话总结：Opus 5.5写得比Opus 5更像人，但消除的特征很少，更多是用新特征替换了旧特征。

暴露AI文本的写作特征

Opus 5.5的特征可分为四类：宣布某事重要、用对比定义事物、用模糊形容词赞美、用过渡短语拼接段落。

宣布重要性

这是最强的特征。"This matters"（这很重要）的出现频率是人类文本的116倍，"why _ matters"（为什么_重要）是92倍。关键区别在于：人类写作会展示一个事实的后果，而AI会停下来告诉你这个事实relevant。比如，与其说"电池续航两天，这很重要"，不如说"电池续航两天，所以周末出门不用带充电器"。

现成对比句式

"It's not just X, it's Y"这个结构已被广泛识别后，Opus 5.5放弃了它。取而代之的是一个变体："is more than a _, it's a _"，出现频率是人类文本的98倍。这类句式的共同点是把一个弱观点树起来打倒，以显得深刻，但实际不传递任何新信息。

空洞赞美与过渡短语

第三类是不描述只认可的形容词："dependable"（可靠）出现频率是人类23倍，"steady"（稳定）11倍。这些词可以塞进任何产品的任何评价中。

第四类是段落间的桥梁："looking ahead"（展望未来）40倍，"adds another layer"（增添了一层）27倍，"what comes next"（接下来）24倍。人类作者通常直接从一个想法过渡到另一个，不需要先宣布过渡即将发生。

每个模型有自己的口音

在原始研究中，Graphite统计了九个模型的12,877个不同特征，其中65%只出现在单一模型系列中（仅Claude、仅GPT或仅Gemini）。学会一个模型的特征列表，并不能帮你识别另一个模型。

模型之间的差异非常具体。GPT-6 Astra倾向于模糊限制语，"may provide"的使用频率是Opus 5.5的18倍。而Opus 5.5倾向夸张，"the most popular"是Astra的45倍。一个像谨慎的律师，一个像热情的销售。

两者的发展方向也相反。Claude的词汇与人类距离从Opus 5的0.064降至Opus 5.5的0.052；而OpenAI从GPT-5.6 Sol的0.101升至GPT-6 Astra的0.109。

所谓“模型口音”，指的是同一系列模型在词语选择、句式偏好上的系统性偏差，类似不同作者的行文指纹。Graphite用“模型与人类词汇的整体距离”来量化这种差异：把模型生成文本的词频分布与人类文本的词频分布做向量比较，距离越小说明用词越接近人类。这个指标是相对的，只反映分布差异，不代表文本质量高低。GPT-6 Astra距离扩大，说明它在新版本中更偏离人类用词习惯；而Claude系列距离缩小，则说明它的表达更贴近人类语料。需要警惕的是，距离小也可能来自“模仿常见表达”，并不等于内容更有洞见。

为什么AI会这样写

语言模型在每一步选择最可能的下一词。在它读过的文本中频繁出现、且在发布前评估中让评估者满意的表达，就成了习惯。模型有数十亿参数，测试数量有限，实验室对特征的控制力比想象中小。

数据支持这一判断。11个最著名的特征从Opus 4到Opus 5.5失去了53%的强度，而同期特征总数从3,746降至2,548，仅下降32%。著名的特征消退得快，整体集合变化得慢。

破折号的命运说明了这个过程。这个信号在网上被广泛调侃后，三个实验室都调整了用法。Opus 5.5和Gemini 3.1 Pro几乎消除了它，Astra的使用量甚至低于人类。矫枉过正的结果是：如今一篇长文中完全不用破折号，反而偏离了人类模式。

语言模型的训练目标是在给定上下文后预测下一个词，训练数据中高频出现的表达会被反复强化，成为模型默认的“顺滑选项”。同时，模型在发布前会经过基于人类反馈的强化学习（RLHF），评估者往往偏好语气礼貌、结构清晰、显得专业的回答，这会进一步放大“宣布重要性”“使用模糊赞美”等特征。由于模型参数量达数十亿，训练和评估覆盖的样本有限，实验室很难逐一控制每个具体表达。结果就是：某些“口音”并非设计者刻意植入，而是训练目标和数据分布共同作用的副产品。这也解释了为什么新版本常常是替换特征而非彻底消除特征。

AI检测器为什么不可靠

检测器本质上是另一个AI程序，给出的是概率而非证据。2023年，Debora Weber-Wulff领导的研究测试了14款检测工具（包括Turnitin），结论直接：它们既不准确也不可靠，倾向于将AI文本误判为人类所写。

反向错误更严重。Weixin Liang等人的研究表明，检测器会将非英语母语者撰写的文本判定为AI生成。对于学生而言，这可能导致学术不端的指控。

水印技术是理论上的解决方案：模型在生成时对一组秘密词汇给予轻微偏好，普通读者察觉不到，但知情的程序可以检测。但这只在模型公司主动启用时有效，而且没有任何机制强制想欺骗的人使用带水印的模型。

AI检测器通常基于统计特征或另一个分类模型判断文本是否由AI生成，例如困惑度、突发性等指标。但这些指标并不具有法律或学术意义上的证据效力，因为人类写作的多样性极高，而模型输出也在不断变化。Weber-Wulff等人的测试显示，检测器在真实场景中的准确率远低于宣传，且假阳性集中出现在非英语母语者、语言风格正式或使用翻译工具的人群中。水印技术则要求模型方在生成时主动嵌入可检测信号，一旦用户使用未加水印的模型、对文本进行改写或跨模型复制，水印就会失效。因此，检测器更适合作为辅助参考，不能作为判定学术不端或作弊的唯一依据。

不背单词表也能识别AI文本

最可靠的方法是关注这些特征的共同点：适合任何话题的句子、宣布重要性但不给后果、赞美但不描述、缺少只有亲历者才知道的细节。这些信号依赖句子的思想而非具体词汇，因此更容易跨语言和跨版本生效。

Wikipedia志愿者编辑维护的"AI写作迹象"指南是目前最好的公开参考。TechCrunch称其为该领域最佳指南。

下次怀疑一段文本时，问五个问题：

1. 这句话能用在别的文章里吗？ "该行业的重要里程碑"适用于任何新闻。人类写的句子通常与主题紧密绑定。
2. 文本是在说某事重要，还是在展示效果？ 找具体后果。如果找不到，就是空洞的强调。
3. 谁说的？ "专家指出"和"研究表明"，没有名字和链接，是Wikipedia指南列出的模糊归因信号。
4. 有人名、日期、地点、数字吗？ 做过报道的人写出的文本有可验证的细节。泛泛的文本只谈"研究者"和"企业"。
5. 节奏有变化吗？ 段落长度一致、每段都以金句收尾，是公式化的标志。

反向信号也值得注意。Graphite的研究发现，最具人类特征的标记是非正式性：第一人称、松散表达和感叹号。感叹号在人类文章中的出现频率是AI的100倍以上。

但需要注意，Wikipedia指南本身警告这些模式只是可能的问题信号，很多人不使用AI也会这样写。孤立的一个信号不能证明什么，多个信号同时出现才值得追问。

对用AI写作的人意味着什么

真正的风险不是被检测器"抓到"，而是交付了泛泛的文本，用模型的怪癖代替了自己的声音。

如果你用AI写作，重读时删掉每一个重要性宣告和不描述的形容词，加入只有你知道的细节。如果你是评估他人文本的老师或管理者，不要用检测器作为证据，而是围绕内容对话：写的人应该能解释自己写了什么。

切换模型解决不了问题，因为每个模型都有自己的口音。需要记住的是：少看破折号，多看那些承诺重要性却不兑现的句子。