被全网转发的"去AI味指令"，正在遭遇一场来路不太对的翻车。小红书单条"文章AI味从90%降到0%“的指令被收藏5.8万次，10月4日"先让AI学会像人说话再重写"的视频又收走4.5万收藏，标题就写着"AI 写的文章一眼假？”。小红书小红书
而10月9日，一位用WorkBuddy跑初稿、照着"AI味清单"逐句修了半年稿的作者发复盘说，他把清单废了。 让他下决心的是GitHub上一个两千五百多星（实测2548星）的语料研究——把26项全网公认的"AI文风特征"逐项上机测量，结果15项要么无差异、要么方向是反的，他删得最狠的设问和比喻，恰恰是人类用得更多的东西。知乎GitHub
这份研究不是又一个"凭感觉总结"的清单。值得每个靠AI出稿、再靠手工去味吃饭的人把它过一遍——不是因为它给了标准答案，而是因为它第一次把"去AI味"这门玄学的账本摊开了。
283万字的对照实验是怎么做的
研究用629篇文章、282.7万汉字构建对照语料：生成侧300篇，由claude-opus-4-6、deepseek-v4-pro、gemini-3.1-pro、gpt-5.6-sol、kimi-k3五个模型各写60篇、覆盖38个话题，生成时不联网、不加任何风格指令，只给题目；人类侧329篇公开发表文本，按来源分组独立统计。 然后把公共讨论里流传的26项"AI味"候选特征逐项做算子、算生成侧与人类侧的频率比：比值≥2.0才算成立，0.8到1.25之间判"无区分力"，比值<0.8意味着人类侧更高——那"删掉它"的方向本身就错了。结果：11项通过，15项出局，3项方向反转。判定程序公开可复算，三个脚本随仓库发布。GitHub
你删得最狠的三条，恰恰是误杀
设问句。 各清单的第一戒律都是"AI爱自问自答，删掉"。实测：人类正文设问每千字1.83处，AI只有0.10处——人比AI爱问17倍；至于"自问自答"这个具体形态，两侧频率完全持平（各0.13处）。 按清单删设问，等于把自己的文本往AI的方向修。知乎
比喻。 “AI爱用比喻拔高抽象概念"同样不成立：人类比喻频率是AI的2.4倍，用比喻独立起段是8倍。 真正的差异在喻体——AI爱写"像一位智慧的导师”“一个永不疲倦的审查员"这类理想化人格喻（该项高出人类7.3倍），人写的是"像个老师傅”“像我那个做人脉的医生朋友”。所以去AI味的正确动作不是删比喻，是把抒情式喻体换成讲事式的具体人。GitHub
句长参差。 “句子要有长有短才自然"被直接证伪：句长变异系数AI 0.58、人类0.67，比值0.87，无差异。 这项还是整个研究翻车最狠的一处——初测时曾得出"AI句长均匀度是人类51倍"的吓人结论，追查后发现是切句程序的bug：Markdown表格没有句号，被当成了一整个句子，有一组语料里跑出了一个一万九千字的"句子”。修正重测，差异消失。研究团队把包括这次在内的六次测量失误全部写进了论文，并定了条规程：任何算子先抽样检视20条命中实例，再采信频率。GitHub
破折号。 经典清单条目，实测分模型极差超过40倍：DeepSeek每千字5.16个、Claude 4.25、Kimi 2.32、Gemini 0.51，GPT只有0.11个。 破折号证明不了"是不是AI"，顶多证明"你用的哪家"。研究者初期只测两个模型时得出"破折号是Claude独有"，扩到五个模型就被推翻了——多数流传清单，就是把单一模型的癖好当成了全体AI的罪证。GitHub
真正站得住的11条，几乎全在篇章层
通过的11项有个共同点：不在用词标点上，在段落和句子怎么衔接上。 逐条能直接换成改稿动作：GitHub
段首零回指评论，区分力最强，4.4倍。 AI爱在新段落开头光着下判断：“听起来像条功能描述”“值得注意的是配置文件的位置”——评价对象不标出来，读者得翻回上一段找。 人类会写"这听起来像条功能描述"。补一个指示代词，4.4倍差距就消掉了。顺带一刀：段首衔接词的总密度两侧无差异（14.4%对15.1%），"禁连接词"这条也砍错了。知乎
空转冒号句，9.4倍。 “我见过的几种典型场景：”——句子本身零信息，唯一作用是宣布下面有列表；AI每千字0.29处，真人接近零。知乎
对举结构"不是A而是B"，3.4倍；顿号并列过密，1.8倍；相邻句同一骨架连写，2倍；序数词充当小标题，3.1倍；"说白了"类起首语，3.2倍。
译文句式，18项候选只活下5项：过长前置定语、“当……时"从句、“对于……来说"话题壳、句首"然而，”、“这意味着"复述句。 而"不仅仅是”（每千字0.05）、“值得注意的是”（0.02）、“使得……能够”（0.03）这类被英文AI检测经验移植过来的"高频罪状”，在中文语料里根本不构成生成文本的区别特征——现代汉语书面语早就消化了它们，见一个杀一个是白干活。GitHub
一条反向特征：数字密度。 人类每千字17.92个数字，AI只有6.34个。 AI味的根子不是编数据，是爱用概括表述覆盖掉你原文里已有的具体数字。所以性价比最高的一步不是删词，是喂料：初稿就把年份、人数、预算、比分喂给模型，改稿时盯着它别把你交的具体数据"总结"没了。GitHub
为什么你的清单会反：三个机制
第一，英文检测经验的直接移植。现在流传最广的那批"万能指令"，源头是英文世界绕开GPT检测的prompt——收藏7777的"GPT5.2去AI味：从92%到0%“帖，正文就是五段英文，开头是"Replace all transition words and conjunctiops in the sentences with the most basic and commonly used ones”，结尾是"Deletes the conclusion part in the end of the text"。 把这些句法假设搬到中文，一半概率搬错。第二，单一模型的样本冒充全体AI，破折号就是现成例子。第三，清单有保质期：GPT的破折号频率不到一年从"近乎每句一个"降到每千字0.11，模型一直在向人类文风收敛，你抄的那张清单是几年前版本的，没人告诉你。小红书
限流那一半焦虑，两边的证据都别全信
去AI味人群的另一半动力是"平台会识别AI味、压低推荐"。今天（10月9日）知乎上这个争议正好吵成两半：一半文章说"文案AI味重没流量，平台识别出流水线内容会压低分发权重"。 另一半则拿出账号数据反驳：“AI率只是影响文章质量的一个重要指标，但不是完全指标”，100多篇稿子阅读量卡在200，问题出在语义同质化和套模板，不在"被判定成AI"。 值得注意的是一批高赞判断都自带工具传送门——推"小橡皮"的、推"contentany"的、推"EduPro降AI率引擎"的，去味焦虑和卖检测、卖改写是同一门生意。知乎知乎
证据只能推到这儿："平台按AI味限流"至今没有任何官方口径可核，两边都是从业者观察；语料研究本身也留了诚实的局限声明——人类侧语料因版权与隐私不公开、第三方无法直接复算数值，正则算子测不了语义层特征，所有频率都只代表特定时点。 换句话说，这份研究能告诉你"哪些改法对读者观感有效"，告诉不了你"能不能躲过检测器"。想靠删词骗过AIGC检测的，这张清单帮不了你；文书圈那篇流传很广的总结里有句话倒是和实验互洽——“为了降低分数去改，往往越改越假；为了让人读得下去去改，分数通常会跟着下来”。GitHub知乎
这张表怎么用
照着清单手工改稿的号主/写手：把旧清单换掉。停掉四条——删设问、删比喻、为参差强拆句子、全模型禁破折号；执行四条——段首评论补回指、杀空转冒号、拆连续同构句、理想化喻体换具体人；再加一条——初稿喂具体数字，改稿防概括覆盖。
多模型换着用的重度用户：每次换模型后按那11项重新校一遍癖好表，别拿上一家模型的清单套下一家。同一段提示词换模型跑，破折号能差40倍。
目标是过检测的（学术/文书）：特征清单管观感、不管检测器分数，检测口径各家不同且在换代；先认目标机构的规则，再决定掏不掏检测的钱。
继续观察什么：这套结论的存活性取决于复算——脚本和算子定义都开源，你可以拿自己账号的旧稿当语料跑一遍；另外盯各平台会不会哪天把"AI特征与推荐权重的关系"说出口。在此之前，任何告诉你"删了这个词就能拿流量"的帖子，包括这份，都先按证据档位打折再看。
半年时间，一张全网都在转的清单，教会我们把眼睛盯在词上——而283万字说：盯段落，盯衔接，盯你有没有东西可写。清单会过期，统计口径和复算方法不会。
