「给它原文让它模仿着写」，学界研究两年的答案是什么

「我把原著整段贴给它了，写出来还是那股 AI 腔。是我提示词没写对，还是这事永远做不到？」

这个问题我们被问过很多次，自己也一直在问。过去一年我们跑了一堆续写实验：五档上下文对照、二十轮连续续写的漂移链、 九个模型两种文体的双盲横评。数据在手上，但一直缺一块拼图：学术界怎么看这件事？ 于是这个月把 2024 到 2026 年风格模仿方向的论文系统读了一遍，和自己的实验数据对账。 这篇是对账的结果。

先把结论放前面。「写得像」不是一件事，是三件事：用词像，现在就能做到； 句式节奏像，提示词救不动，但已有验证过的路径；「读起来就是同一个人写的」， 目前没有任何公开方法稳定做到，而且连怎么评价它都还没解决。 「永远做不到」言重了，最后一层确实还看不到解。

最反直觉的发现：续写恰好是最占便宜的任务形态

2025 年 9 月有篇论文直接测了这个问题。How Well Do LLMs Imitate Human Writing Style? 拿作者身份验证器当裁判（判断两段文字是不是同一人写的），对比了四种喂法。 只用文字描述目标风格，基本无效。给一到两段范文，风格匹配率比纯描述高 23.5 倍。 最强的是续写形态：给上半篇原文、让模型接着写下半篇，五个模型里四个达到 99.9% 风格一致， 验证器的置信度直接饱和。论文的解释是，人类原文前缀会把模型「锚」进那个风格流形，续写时它就留在里面。

给参考文本要求模仿着续写，正好就是这个最强形态。所以这件事不是天生做不到， 它是所有风格模仿任务里条件最好的一种。

两个诚实的注脚。第一，那篇论文的语料是英文议论文，裁判是统计验证器，不是小说读者； 第二，同一篇论文发现验证器满意不代表人读着像：即便风格匹配 99.9%， AI 产物的困惑度（文字的不可预测程度）仍然只有人类的一半，29.5 对 15.2。 「统计上像原作者」和「读起来不像 AI」是两个可以分离的目标，这个发现贯穿下面所有内容。

另一篇 EMNLP 2025 的Catch Me If You Can? Not Yet 从反方向泼了盆冷水：400 多位真实作者、每个模型四万多次生成， 新闻和邮件这类结构化文体模仿得还行，博客论坛里那种随性的个人腔就不行，模型总往通用腔上滑。 个人风格是隐式的，作者自己都未必说得清，更别指望在提示词里说清。

给了参考还是写不像，病根不在「没看见」

我们去年做过一个五档对照实验：把一本 890 万字玄幻的原文按 4k 到 20 万 token 五个档位塞进上下文，不加任何文风指令，看模型会不会自己学。结果是 20 万 token 那一档的比喻套话密度反而爆到原著的 10 倍，满篇「宛如」「仿佛」「一丝」。 27 万字原著就在眼前，它照样写它的。 （实验细节在漂移实验那篇里。）

当时我们只知道现象。这两年的论文把病根挖出来了，而且几篇互相咬合得很紧。

CMU 团队发在 PNAS 的Do LLMs write like humans? 用语言学家 Biber 的特征集逐项测了 GPT-4o 和 Llama 3 全家，结论是 LLM 有一套自己的房子腔： 名词密堆、信息密度高、分词从句超频，明确要求它模仿口语文体也改不掉。 更扎心的是方向：经过对话调教的版本比基座模型偏得更远。也就是说让模型「更听话」的那些训练， 同时把它的文风钉死了。

钉死的机制这两年也被拆开了。Creativity Has Left the Chat（2024） 观察到对齐后的模型输出会被吸进少数几个「吸引子」，高置信、低探索。Verbalized Sampling（2025）追到更深一层： 病根在偏好数据本身。人类标注员天然偏爱「典型」的文字，这个偏差叫 typicality bias， 只要偏好数据是人标的，就算奖励模型和训练算法都完美，坍缩照样发生。Narrative Flattening（2026） 把基座、SFT、DPO 各训练阶段逐一拆开测小说续写，证明每过一道后训练， 主题、情绪、风格的变化幅度就被压扁一截。 量化的极端案例来自 Antislop（ICLR 2026）： 某些套话短语在 LLM 产物里的出现频率，是人类文字的 1000 倍以上。

翻译成人话：你给它参考文本，它不是没看见，是它的手已经被训练捏成了那个形状。 参考文本提供的只是可模仿的材料，「以谁为基准」必须显式说。 我们实测在系统提示里加一句基准声明，五档上下文的套话密度全部压掉一半左右， 20 万 token 也不稀释这句话的效力。

「像」要拆成三层验收

对完账之后我们把「写得像」拆成了三层，每层的可行性完全不同。

词汇层，就是不写 AI 套话、用原文惯用的词。这层已经解了： 显式基准声明加范文就有效，上面的数据都在。

句式节奏层难得多。那本玄幻原著的句长波动系数是 0.84，短句和长句猛烈交错， 拟声词单独占一行；我们所有实验组的产出落在 0.28 到 0.48 之间， 多轮链里最好的窗口摸到 0.79，没有一条链真正回到原著的水平。 怎么改指令都拉不动，这和 PNAS 那篇「语法结构层的偏好改不掉」完全对得上。 这层要动手术，靠说是说不通的，下一节讲手术方案。

第三层是整体纹理，「就是这个作者」的那种细读质感。我们九模型横评里有个标本： qwen 的结构化指标全场最像原著，平均句长 32.1 对原著的 32，套话密度还是全场最低， 双盲细读却只排到四五名。评审给出的理由是它每个窗口都要写气味和触感， 而原著全书零气味描写。统计指标测不出「写了原著从来不写的东西」。 （横评全文在这篇。）

更麻烦的事：「像不像」的裁判席是空的

第三层做不出来，一个根本原因是没有裁判。CHI 2024 的Art or Artifice? 请了 10 位职业作家用 14 项创意测试盲评 48 篇小说，LLM 作品的通过率比职业作者低 3 到 10 倍； 同一批数据交给 LLM 当评委，没有任何一个模型的判断和专家评审正相关。 我们自己的双盲实验更难看：让多个 LLM 评委判「哪段是真人写的」， 对齐人类判断的正确率只有 12%，评委之间的一致率倒有 86%，一致地错。 （那次实验的完整记录在这篇。）

工程上这意味着一件很实际的事：没有可靠的自动评价，就没有可优化的目标函数， 「同一作者感」连回归测试都建不起来。目前唯一可靠的裁判是真人细读。贵，慢，不可规模化。 顺带一提，中文侧已经有人在建基准了：WebNovelBench（2025） 用 4000 多本中文网文给 24 个模型的叙事能力排位，能区分出名著、热门网文和 AI 产物三个档位， 但它测的是「写得好不好」，不是「像不像某一个作者」，后者还是空位。

已验证有效的手段，各自够到哪层

把论文里验证过的手段按「够到哪层、要什么权限」排一遍，事情就清楚了：

TinyStyler 值得单独说一句： 8 亿参数的小模型，靠作者风格向量做条件化，在作者风格迁移任务上胜过 GPT-4。 风格模仿缺的从来不是模型规模，是一条专门的条件化通道。 表格右边那一列也解释了为什么市面上的应用做到的程度都差不多： 前两行是提示词工程的天花板，后四行全都要碰推理端或模型权重， 用别人家 API 的产品够不着。

所以，「永远做不到」吗？

分层回答。词汇层已经解了。句式节奏层卡的是通道：手段都发表了， 商用对话接口摸不到推理端，等哪家供应商把基座模型或采样钩子开出来，这层就能推进。 真正开放的是第三层，而且是评价先于生成缺位，裁判都没有，选手怎么练。

我们自己实验里最诚实的一个数字是句长波动系数：原著 0.84， 所有实验组没有一条链回到过这个水平。这个数字回去之前， 「写得像」在我们这里就还是一道没做完的题。 目前 app 里的来源标注开关做到的是第一层的收尾：二十轮连续续写不再越写越 AI， 套话密度压回原著段位。第二层等通道，第三层等裁判。