十个 AI 评委全被骗过，人类五次盲测五次识破

7 月 25 日，我们内部读了一批新写的角色卡，负责人扔下一句话：「这些都一股 GPT 味。」 没人反驳，因为都读得出来。但追问一句就卡住了：这个「味」到底是什么？ 能不能量化，能不能修掉？

于是我们搭了一个对抗实验，代号 style-fusion-bench：让大模型写的段落混进真人网文的选段里， 做成双盲题，看谁能挑出来。挑的人分两拨，一拨是十来个主流大模型当评委， 一拨是人类盲读。写的一方每输一轮，就按判词修一轮写作规程，再战。 从 25 日深夜到 26 日下午，一共打了十五轮，写了三十多篇稿子、上百组盲测段落。

结果先说：AI 评委那边，我们赢到发虚；人类这边，一次都没赢过。

凌晨六点半，我们以为赢了

通宵七轮之后，终局测试是这样设计的：三个从头到尾没参与过迭代的模型评委 （GLM-5、DeepSeek 两个版本），拿到十个机器段落和十个真书段落的混合池， 任务是挑出机器写的。为了防止运气，同一批稿子换窗口又复测了一轮。

两轮识破率都是 0%。十五组「哪段是机器」的配对题，全错。

更有意思的是错的方向。评委不是分不清，是整个反过来了。GLM-5 给机器写的木匠铺段落判 「真人，置信 90」，理由是动作细节与心理活动结合自然；同一个评委， 把《斗破苍穹》的原文段落判成「机器，置信 75」，理由是「解释性文字过多，场景描写套路化」。 DeepSeek 把《绍宋》原文里「杨沂中气了个半死」这样的句子批成「语言风格不一致，生硬」。 真书被嫌弃太像 AI，机器稿被夸有烟火气。

这不是孤例。整场实验先后有十个主流模型坐过评委席：GPT-5、Gemini 3.1 Pro、Qwen、 DeepSeek 各档、豆包、GLM-5，还有上一代 Claude。全部同向翻车。 它们对「AI 味」的印象还停留在套话多、生硬、模板化， 于是一份守纪律、不写套话的机器稿，在它们眼里比真书更像人。 我们之前做角色卡文案双盲时就撞见过这个现象，当时四个评委的金标正确率只有 12% （那次实验的完整记录在这篇）， 这次样本扩到十个模型、语料换成小说正文，结论没变，还更狠了。

七个小时后，人类进场

早上 07:37，我们把终版机器稿混进真书选段做成盲测页，请一位重度网文读者来判。 三段机器稿，一眼，3/3 全中。

原话是：「1、4、6 段落都那么摘。」

三段机器稿写的分别是客运站、染坊、木匠铺，三个完全不同的题材， 但在这位读者眼里是同一个「乡土口述白描腔」换皮。而真书的三段是三种完全不同的声音： 一段是网游文作者陪读者唠嗑，一段靠对话往前赶，一段是说书人向读者补课。 机器评委读了一晚上都没发现的事，人类扫一眼版面就看见了。

之后的一整天，这位读者又盲测了四次。每一次我们都按上一次的判词修了写作规程， 每一次都被当场识破，而且每次识破都带回一条新判据。到实验收口时， 判据攒了六条。这六条是整场实验最值钱的资产，逐条讲。

人类的六条判据

一批文本全是同一个腔

单看一段看不出来，十段摆在一起就藏不住。机器写十个题材，是一个腔换十件衣服； 真人写手换题材是真的换声音。这条判据后来连机器守门员都学会了引用， 它的自白是：「单段拿出来我未必敢判，十段放在一起，同一套呼吸、同一张清单、 同一种收束就藏不住了。」

每句都绷着「在写作」的劲

机器爱把句子剁碎、加悬置，营造文学感，比如「今夜，是他的手了。」「渡口，渡官。」 真人的叙述底子是中长句，碎句只在情绪峰值上偶尔打一记。我们数过一本真书的惊悚名场面， 三十行只有 3 记碎句；机器稿的碎句是匀速鼓点。真人的随手，长这样：「杀了几波后」， 一个不承担任何修辞任务的「后」字，接着就往下讲事。

写得太好，本身就是破绽

这条最反直觉，也最治不了。守门员对某篇机器稿的终极判词是： 「八百字里挑不出一处失手，恰恰是最大的破绽。」每个细节都在为主题服务，没有一句白写。 真人恰恰相反，《全职高手》里有大段的技能点、等级、经验流水账， 「一个70级的满级角色……可以拥有4000个技能点。但这并不是技能点的上限」， 信息密度低得理直气壮。真人写类型小说，就是敢这么水。

段落焊成大块

读者的原话：「机器的就是只有 3 段，真人的就有十几段。」我们回头量了数据： 真人网文段均 25 到 59 字，九成以上段落不超过两句，对话一律独段； 机器写纯叙述，默认焊出 108 到 538 字的大段，厚 4 到 19 倍。 最值得记录的是：前后十二轮里，所有机器评委对这条集体失明。 模型读的是语义，不是版面；人类先看排版，再读字。

停下来品鉴质感

机器句：「镇上人穿布鞋走石板是闷的。」读者当场判「一看就是 AI」。 这是鉴赏家停下来品世界的口吻，一种「X 是 Y 的」判断句。 真书里的感官细节几乎都挂在正在发生的事上：「天井里静了一会儿， 只听见灶膛里柴火哔剥响。」感官不单独立句，不品鉴。

人闲着，情绪不闲

第五次盲测，读者指着一段机器写的「玩家遇怪」问：这一段描写是描写了啥呢？ 我们逐句拆：翻堆、听声、屏息、转身、见怪、后退、截图、发消息，十个动作，零情绪。 眼看当晚第一个五星资源点被怪拱翻，居然不心疼。真玩家必写肉疼。 真人的闲笔从来不是真闲：「没办法，谁让他是暗夜猫妖首杀呢」是酸， 「她伸手抓住它，但想了想，还是将手收回」是想要不敢， 「叼着牙签一副吃饱喝足的模样」是嘚瑟。要么带情绪，要么带声口，要么埋着盼头。

我们试过的伪装，全军覆没

知道判据不等于修得掉。十五轮里我们把能想到的伪装手段全买了一遍，逐条报废：

故意写错字，每篇加到 7 到 10 处，被一句话击穿：「错落在最安全的通假位，像做旧而非手误。」 真人的手误会错在要命处、会伤及理解，模型挑着犯错，错得太整齐。 故意留前后矛盾，被反向解读成「大模型长文生成的接缝」，现代评委知道模型会犯什么错， 模仿人类的错反而撞上模型的错型。逐句对着真人段落移植句长节奏，形状对了， 密度还是自己的。按指令添加「无功能的生活细节」，判词是 「毛边是配置出来的，不是掉下来的」。

最深的一层教训：给模型的任何修复指令，它都会执行得十全十美， 而「十全十美」正是下一轮的判据。松弛度配额被满格执行，「记不清了」的口癖被六段五现地复用， 连分段纪律都会被推过头。这在指令驱动的写作里是结构性的，换条款救不了。 出路只有换一个天生带「省事的错」的模型，真错字、真口癖、真语病装不出来， 这是另一篇文章的主题。

这场实验改变了我们的哪些做法

第一，任何「找个 AI 来评 AI 味」的方案在我们这里退役了。十个模型的「像真人」评价从此只当 「面向普通读者够不够用」的参考，绝不当成色证据。第二，验收换成双闸： 开发期用与写手同代的 Claude 思考型模型当守门员（它是唯一一个判据与人类同构的机器评委， 七轮 100% 识破、零误伤），出厂前人类抽读终审。第三，要「像真人」的文字，先换模型再谈工序， 写作纪律能治套话和分段，治不了「写得太好」。

最后交代一件事。这篇讲「怎么识破 AI 文」的文章，发布前我们拿六条判据对着自查了一遍： 段落长短是故意不均的，有两节只有一句话；初稿里有一句「数据是冷的，判词是热的」， 典型的品鉴句加对仗收尾，删了；第六条判据讲完顺手写了个金句升华结尾，也删了。 判据三没法自查，「写得太好」这种病，作者自己看不见。所以按我们自己的规程， 这篇文章的终审也不是我们，是你。