后训练护栏让大模型文本「一眼可辨」

大语言模型的写作风格为何如此容易被识别？Pangram首席技术官Bradley Emi给出了一个反直觉的答案：问题不在于模型能力，而在于训练流程本身。他在近期发布的博客文章中指出，ChatGPT、Claude、Gemini等主流AI系统在完成基础预训练后，还要经历一套严格的后训练流程，以确保输出符合安全规范、避免有害内容，并过滤特定政治敏感表述。这套流程在赋予模型「安全感」的同时，也悄然收窄了其语言表达的边界。

Emi将这一现象称为「模式坍缩」。在正常的人类语言分布中，同一语义可以通过无数种措辞方式表达，概率分布相对平坦而宽广。但经过后训练的模型会将概率质量高度集中于少数「偏好措辞」，形成一个尖锐的峰值分布。这意味着模型在面对相似问题时，往往会反复选择同一套句式和词汇，形成可被统计方法捕捉的规律性特征，从而成为AI文本检测器的攻击目标。

与之形成对比的是所谓「基础模型」——即尚未经过后训练的原始模型。Emi表示，这类模型的输出在语言风格上更为多样，Pangram的检测系统对其并不敏感。类似地，仅在高度专项语料上进行微调的模型（例如只学习海明威作品或特定社区文本的模型），以及输出内容混乱、语义不连贯的「破损」模型，同样难以被常规检测手段识别。这说明检测器针对的并非AI本身，而是后训练所塑造的特定行为模式。

这一发现对AI文本检测领域具有重要启示。当前主流检测工具的有效性，在很大程度上依赖于商业模型后训练所带来的风格一致性。一旦模型开发者调整后训练策略、引入更大的表达多样性，现有检测方法的准确率可能大幅下滑。从另一个角度看，这也意味着AI写作检测本质上是在检测「对齐的副作用」，而非AI写作能力本身。

不过，水印技术是这一逻辑链条中的重要例外。Emi指出，即便是风格多样的基础模型输出，也无法绕过水印检测——因为水印是在生成过程中主动嵌入的统计信号，与输出风格无关。这意味着，在可预见的未来，水印仍将是可靠的AI内容溯源手段。随着模型表达能力的持续提升与后训练策略的不断演进，AI文本检测与生成之间的博弈将愈发复杂，行业或需重新审视检测技术的底层逻辑与适用边界。

要点

• 大语言模型并非无法写出多样化文本，后训练阶段的安全护栏才是导致其风格单一、易被检测的根本原因。
• 「模式坍缩」使经过对齐的模型倾向于集中使用少数偏好措辞，形成可被统计方法识别的规律性特征。
• 未经后训练的基础模型及高度专项微调模型，因输出风格更为多样，对现有AI文本检测器具有更强的规避能力。
• 水印技术不受输出风格影响，即便面对基础模型的多样化输出也能有效溯源，是目前最具鲁棒性的AI内容标记手段。
• 当前AI文本检测工具的有效性高度依赖后训练带来的风格一致性，模型训练策略的演变可能从根本上动摇现有检测方法的可靠性。