2026 年 10 月，紐約大學與德州大學奧斯汀分校研究者發布預印本，分析九個模型在五個公開 GitHub 專案的 45 次協作紀錄，加上 120 段聊天與生成文章，並與人類語料、英譯日再譯回英文的「回譯」版本對照，整理出六種 AI 生成文本常見的形式特徵。論文尚未經同儕審查，也沒有測讀者實際理解程度，這兩個前提先記住，後面會反覆用到。
六種特徵，各自把閱讀卡在哪一步
研究列出的六種特徵是：低頻詞組、長距離語法依存、省略連接詞的受詞關係子句、名詞層疊、名詞轉成動詞，以及無生命主詞搭配有生命動詞。這些都是英文文本的形式線索，不能直接套成中文寫作規則，但它們指向的閱讀障礙是共通的。
用日常比喻來說，低頻詞組像一把每支鑰匙都眼熟、組合卻沒見過的鑰匙圈。單字都認得，連在一起就得停下來想。長距離依存則像一句話開頭答應的事，到結尾才兌現，中間插入的修飾愈多，讀者要暫存在腦中的前文就愈久。省略 that、which 這類關係詞的子句雖然短了，讀者仍要自己辨認誰修飾誰。
名詞層疊是幾個名詞互相堆著修飾，例如「恐怖片配樂產生器」，讀者得猜中間的從屬關係。名詞轉成動詞，例如把行事曆當動詞用的「把它排進行事曆」，可能讓讀者重新辨認詞性。無生命主詞搭配有生命動詞，像是「對話喫掉自己的尾巴」，在文學裡可以是修辭，在客服或警示文字裡就要依任務判斷是否改寫。
值得注意的是，研究比較發現 AI 模型使用這些與處理難度相關的特徵，比回譯產生的改寫文本更頻繁。作者 Clark、Martin 與 Mahowald 在摘要中如此概括。回譯文本同樣經過機器處理，卻沒有表現出同等密度，這讓「模型輸出天然偏向某種壓縮表達」的觀察更有意思。
證據界線：測的是文本，不是讀者
這份研究最常被忽略的限制是：它量測文本特徵，沒有測客服使用者能否完成下一步。模型輸出看起來「形式上較難」，與讀者實際看不懂，中間還有一段距離。
先前的佐證也提醒類似的界線。Trott 與 Rivière 在 2024 年 TSAR 研討會論文中，用 4,724 段英文文本評估 GPT-4 Turbo 與 GPT-4o mini，並讓 59 人評讀改寫稿，發現模型評分與人類判斷相關，Turbo 也能調整難度，但仍有判斷差異無法解釋；他們同時指出，文字看來簡單不等於讀者已理解。Stone、von der Malsburg 與 Vasishth 的眼動研究則顯示，長距離依存句中間資訊造成的延遲影響，可能取決於該內容是確認預期還是增加工作記憶負荷，不是單純時間經過的問題。
人類自己也會用這些句型。所以六種特徵的正確用法是「複核線索」：編輯或產品團隊看到這類句子，去檢查讀者是否需要回讀、是否要補出關係，而不是看到就刪。一律改短也可能刪掉必要條件。
產品團隊的三個實際判斷
第一，不要拿別人的比較基準當自己的。模型家族、版本與任務的特徵分布有差異，學生文章與程式、聊天文本也不是可互換的比較對象。研究中的 Claude Opus 5.5 在 21 組「特徵 × 任務」比較的 19 組中，處理難度相關指標低於 Opus 5，其中 8 組的 95% 信賴區間不重疊；但這是特徵分布比較，不是整體可讀性分數，更不代表每位使用者都覺得新版更好讀。團隊應在自己的產品情境取樣。
第二，把「形式特徵」與「任務完成」分開量。摘要、客服回覆、技術文件的使用情境不同：客服文字要看使用者能否照著採取行動，技術文件要看讀者能否回答特定問題。這與我們先前整理過的AI 建議影響使用者信心校準的實驗是同一類提醒，輸出的表面品質與使用者的實際判斷，需要分開驗證。
第三，對「為什麼會這樣」的解釋保持保留。作者提出「資訊密度，而非成功溝通的壓力」的假說：模型若主要被訓練成以較少篇幅完成任務，可能偏向壓縮表達。但支持這個假說的微調實驗只測了 Qwen2.5-1.5B-Instruct 這類小模型與特定句型，不足以證明所有模型都受相同訓練目標影響。它是待驗證的解釋，採購或流程決策不該建立在假說上。
所以呢
對每天要審 AI 生成內容的團隊，這份預印本最有用的部分不是結論，而是提供了一份具體的檢查清單：看到低頻詞組、名詞層疊、省略連接詞的子句時，多問一句讀者能不能一次讀懂關係。真正的驗收標準仍在讀者端，能否回答問題、能否完成下一步動作。形式線索指出可疑之處，任務測試才能定罪。