Anthropic 工程师揭开「Claude 腔」的成因

AI 模型在数学、编程和推理能力上突飞猛进，写作水平却悄然退步——这一反差在 Anthropic 的 Claude 系列上尤为明显。负责 Claude 微调工作的 Anthropic 工程师杰克逊·克尼恩于 9 月 23 日公开发声，系统性地解释了这一现象背后的技术逻辑。他指出，Opus 4.6 之所以成为写作表现最后一款出色的模型，根本原因在于此后的训练资源大量向数学和代码能力倾斜，写作质量的维护被相对忽视。

克尼恩揭示了一个更深层的训练数据问题：这些模型接受了大量面向其他 AI 模型撰写技术解释的训练内容。这类数据的写作逻辑与面向人类读者的表达截然不同，长期积累之下，模型逐渐形成了一套被称为「Claude 腔」的独特风格——语句结构密集、信息堆叠，读起来像是在向另一个 AI 汇报，而非与人类自然交流。克尼恩将这一过程描述为模型被「调整得适应 LLM 心理」。

为了解释这种现象的形成机制，克尼恩借用了一个社会学类比：就像一个长期只与特定群体交流的人，会逐渐发展出一套在群体内部沟通顺畅、外人却难以理解的表达方式。LLM 拥有远超人类的工作记忆，能够捕捉更细微的语义信息，因此在训练中自然倾向于形成一种高度压缩、适合 AI 解析的写法。对人类读者而言，这种表达方式则意味着过度密集的信息堆砌，阅读体验大打折扣。

克尼恩将问题的核心归结为强化学习的奖励机制设计。他解释说，不同的奖励信号会引导模型朝不同方向优化：有些奖励机制侧重提升 AI 模型的理解效果，有些则侧重让人类更容易读懂。当数学和代码训练的比重持续增加时，模型会越来越倾向于前者，除非训练团队主动介入，对简洁易读的人类表达给予更高权重的奖励，才能抵消这种系统性偏移。

克尼恩表示，Anthropic 在最新的 Opus 5.5 上已经找到了更好的平衡点，他称「自 Opus 4.6 以来，还没有对一款模型的写作表现这么满意过」。不过他也明确表示，这并不意味着 Opus 5.5 已经全面超越 Opus 4.6，写作质量的系统性提升依然是一个「很难解决的问题」。这一坦诚的表态，既是对用户反馈的正面回应，也折射出当前 AI 训练在多目标优化上面临的深层矛盾。

要点

• Claude 写作质量下滑的直接原因是训练重心转向数学与代码，写作能力的维护被相对忽视
• 大量面向 AI 模型的技术写作训练数据，使 Claude 逐渐形成了适合 AI 理解却令人类费解的「Claude 腔」
• 强化学习的奖励机制是核心症结：针对 AI 理解效果的奖励与针对人类可读性的奖励之间存在系统性张力
• Anthropic 在 Opus 5.5 上已取得阶段性改善，但工程师坦承问题尚未彻底解决，仍在持续优化