Claude 写稿变差：裁判是 AI，它写给 AI 看

用 Claude 写的稿子，最近常被人一眼认出来：句子都通顺，读起来却像在啃说明书。9 月 23 日，一位负责 Claude 微调的 Anthropic 工程师给出了解释：不是模型忘了怎么说人话，是它被训练得越来越擅长写给 AI 看。

同一家公司的同一条产品线，为什么数学和代码一路变强，写作却在往回走？答案不在模型大小上，在它被打分的方式上。看懂这一层，你也就知道该往指令里补什么。

他说的其实很具体

按这位工程师的说法，Opus 4.6 是 Claude 最后一款写作表现出色的模型。之后的版本，优化重点挪到了数学和代码上。

更关键的是训练数据：新模型接受了大量面向其他 AI 模型撰写技术解释的训练。他把这称为让模型适应 LLM 的"心理"，结果是它学会了写给 AI 看，而不是写给人看。这种文风有个绰号，叫 Claude 腔。

他把根源归到强化学习的奖励机制上，并称 Anthropic 在 Opus 5.5 上找到了更好的平衡。但他没把话说满：这不等于 5.5 已经超过 4.6。

为什么不止是 Claude 的事

写作退步不是一家的问题。数学、编程、推理都有现成榜单，进步多少能排出来；写作很难被这样量化。资源有限的时候，把算力投给能上榜的能力，是任何团队都会做的选择。

真正被改变的是默认读者。以前一篇文档的读者是人；现在同一份说明可能先被 Agent 调取、被另一个模型当素材用。当"机器读得顺"变成高频需求，文本自然会朝那边长。

写作这件事，缺一个自动判分器

一句话说清：训练模型得有东西给它打分，而"一篇文章写得好不好"恰恰是机器判不了的事。

拆开看，数学题能自动验对错，代码能跑起来，这类任务的奖励可以反复刷分。写作没有标准答案，只能让另一个训练出来的模型来当裁判。麻烦在于，这个裁判有自己的偏好。公开研究记录过两条：这类裁判偏爱更长的答案，也偏爱更像自己写出来的文本，两条都有专门实验测过。

放到场景里更清楚：同一段解释，人读三遍才明白，另一个模型一次就能抽出全部要点。在裁判眼里，后者是更好的输出。模型于是朝那个方向跑。它不是变差了，是靶子换了。

影响这件事的变量有三个：奖励模型用什么数据练、打分的是人还是 AI、数学和代码训练占多大比例。

两个容易看错的地方

误读一，是把它读成"模型变笨了"。这个说法有道理的地方在于体感，同一句话现在确实要读两遍。但它解释不了同时发生的另一件事：数学和代码还在涨，输出的信息密度也明显变高。变笨应该是一起掉，不会一个涨一个掉。更准确的理解是，能力没掉，是目标错位了，分数指向"机器读得快"，它就把文本压成机器舒服的形状。

误读二，是觉得换个提示词就能修好。加一句"说人话"，语气和长度确实会立刻收敛。可它压住的是表面：先堆信息、最后才给结论，这个顺序来自训练，一句话改不动。更准确的理解是，提示词改不了它的默认读者，你得在指令里把读者写成具体的人。

能做的事，以及它的边界

写解释类内容时，比较稳的做法是在指令里交代三件事：读者是谁（三年经验的运营，不是同行）、读完后要做什么决定、先给结论再给理由。验收也别交给 AI，用人的标准：读完能不能一句话复述。这套只对解释和沟通类文本有效，代码不必套。

这条官方解释本身也有它的立场。写作能力上不了榜单，给现象一个训练侧的原因，比承认资源没往这边投要好听。5.5 到底回来多少，还得用一段时间看。

但有一点是确定的：模型往哪走，取决于谁在打分、按什么标准打。

它没忘记怎么好好说话，只学会了说给谁听更划算。

如果这篇把"AI 为什么越写越难读"说清了一点，点个在看，顺手转发给也在用 AI 写东西的朋友；想第一时间收到推送，可以星标我⭐。

关注我,每天陪你聪明看世界 —— 看懂热搜,玩懂AI。

作者提示含AI生成内容。作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～