Как сообщает The Decoder, команда исследователей из Нью-Йоркского университета и Техасского университета в Остине проанализировала тексты 14 языковых моделей — в том числе Claude, GPT-5.6, GLM-5, Kimi K2.5, а также открытых Llama и Olmo. Модели генерировали диалоги, код и аргументированные эссе: в общей сложности учёные сравнили 120 разговоров, 45 сессий программирования и 980 эссе с человеческими текстами — субтитрами к фильмам, ответами со StackExchange (форум вопросов и ответов о технологиях) и студенческими работами.
Авторы выделили шесть конструкций, которые ИИ использует чаще людей. Среди них — редкие словосочетания вроде «reader-patience budget», сильное разнесение связанных частей предложения, опускание связующих слов («the book the professor wrote» вместо «the book that the professor wrote»), цепочки существительных («horror movie soundtrack generator»), превращение существительных в глаголы («calendar it») и одушевлённые глаголы при неодушевлённых подлежащих («The whole conversation is eating its own tail»). Смысл понять можно, но каждая такая конструкция требует от читателя лишних усилий.
Ближе всего к человеческой речи оказались небольшие модели — Llama и базовая версия Olmo. Внутри семейства Olmo отклонение от человеческого текста растёт от базовой модели к инструктивной и рассуждающей Olmo Think, что указывает на пост-обучение как вероятную причину. При этом Claude Opus 5.5 обошёл предшественника Opus 5 в 19 из 21 сравнения — то есть целенаправленная донастройка способна улучшить читаемость.
Причину исследователи видят в подходе к обучению: современные модели всё чаще тренируют на математике, коде и логических задачах, где награждается правильность ответа, а не ясность изложения. Переход от RLHF (обучение с подкреплением на человеческой обратной связи) к RLVR (обучение с проверяемыми вознаграждениями) полностью убирает человека из цикла оценки, и модели вырабатывают «диалект», удобный для сжатия информации, но тяжёлый для читателя. В качестве эксперимента учёные обучили небольшую модель со штрафом за длинные ответы — она стала выбирать краткие формулировки почти всегда, независимо от контекста, тогда как люди подстраиваются под ситуацию.
Похожее объяснение звучит и из индустрии. Сотрудник Anthropic Джексон Кернион, занимающийся донастройкой Claude, ранее объяснял, что Opus 4.6 была последней удачной «письменной» моделью компании: оптимизация под математику, код и технические объяснения для других ИИ выработала стиль, адаптированный к «LLM psychology» — психологии языковых моделей. В Opus 5.5 Anthropic впервые взялась за ясность предложений и перегруженные блоки информации, и исследование подтверждает, что это сработало.
