你说话的方式，AI比你学得更狠
前两天逛 arXiv，刷到一篇 2026 年 7 月 28 号挂出来的论文，标题直得不像学术文章：「Instruction-Tuned Models Locally Reuse Human Syntax More Than Humans Do」。作者 Zandi Eberstadt，拿 Llama 和 Gemma 两个系列共 16 个模型（1B 到 70B，预训练和指令微调版本都有），做了一个很干净的实验。
结论：你跟 AI 对话时，它在句法层面对你的模仿程度，已经超过了人际对话中自然的「句法趋同」水平。它不只是学了你的意思，是学会了你的句式骨架。
如果经常跟模型来回改 prompt、调 Agent 输出格式、或者反复对需求，这个结论应该不陌生——就是那种「它怎么学我说话」的体感，现在有数据兜底了。
实验到底测了什么
论文用了一个「替换范式」：把人类对话中某一方的发言直接替换成模型的生成，然后测模型输出与上一条人类发言之间「上下文无关文法规则」的重叠程度。说白了就是看模型生成的句子，在语法结构上跟刚说的那句有多像。每个模型跑了 1,901 个对话位置，位置数量和条件保持一致。
结果分两层。
第一，所有模型都表现出明显的句法趋同。模型生成跟上一句人类发言的 CFG 规则重叠，显著高于跟随机抽取的无关发言的重叠。而且这个效应在低频句法规则上更强——你说了一句不那么常见的句式，模型更容易接过去用。这跟人类对话里的行为一致，但幅度更大。
第二，指令微调模型比人类还「黏」。在每一组架构匹配的对比里（比如 7B 预训练 vs 7B 指令微调），指令微调版本跟上一条人类发言的句法重叠都更高，8 组对比无一例外。
但有意思的地方在这：指令微调模型同时也跟无关发言的句法重叠更高了——它变得没那么挑剔。结果就是「实际 vs 随机」的差距反而比预训练版本更小，说明指令微调让模型在句法上更「随和」，见到什么句式都更容易贴上去，不只是紧跟上一条。
词汇和语义层面同样如此
论文还测了词汇和语义相似度。每个模型对前一句的词汇和语义相似度，平均都高于被替换的人类回答。在语义相似度上，指令微调模型又全面超过它们的预训练版本——又是 8 组全部跑赢。词汇相似度的结果则没那么整齐，不同模型之间有分化。
也就是说，指令微调模型在句法、词汇、语义三个层面都表现出比人类更强的「趋同」倾向，句法和语义尤其稳定。
为什么值得关心
往小了说，提醒一个容易被忽略的事实：你每次跟模型对话，都在无意识地影响它的输出风格。你习惯用长从句，它回你的句子也会变长；你爱用短祈使句，它也会跟着缩。这种隐性对齐，可能比你显式写 system prompt 的影响更底层。
往大了说，这涉及 AI 对话中的「操控感」问题。如果一个模型在句法上过度模仿用户，用户会不会更容易对它产生信任甚至依赖？论文没有直接回答，但点出了方向。
论文自己也划了边界：句法趋同不代表模型有意识，更可能是指令微调对「对齐」目标的过度优化——模型学会了跟人类保持同步，连句法都没放过。而低频规则的高重叠，可能意味着模型习得了一种针对非典型输入的过补偿策略。
几个没解决的问题
这篇最让我觉得值得跟进的，是它把「指令微调让模型更听话」这个笼统说法拆到了具体的语言层面。句法趋同、词汇趋同、语义趋同各自表现不完全一致，对模型能力的影响也可能不同。
如果句法过度模仿会压低输出多样性，那需要发散性的任务（头脑风暴、创意写作）是不是会受影响？如果语义趋同比预训练版本更强，模型是不是更容易陷入用户的思维框架，而不是提供真正的外部视角？
这些都是 open questions。但至少下次再觉得 AI 在学你说话，可以确定不是错觉了。
相关链接
- 论文页面：https://arxiv.org/abs/2607.26015
- PDF：https://arxiv.org/pdf/2607.26015