如果你让 Claude 帮忙润色一段文字，大概率会得到这样的结果：一个热情的开场，一两个破折号，一句「这不只是 X，更是 Y」，结尾再来一段收束式的总结。这种文风如此稳定、如此可辨认，以至于有开发者干脆把它命名成了一门「语言」，最近 Hacker News 上出现的 English ↔ Claudish Translator，宣称可以在英语和「Claudish（克劳德语）」之间双向翻译：正向，把平平无奇的英文译成 Claude 味儿的英文；反向，把满纸套话的「模型腔」还原成人话。帖子在 HN 上的热度不算高，但评论区笑完之后讨论的方向相当认真，模型的输出，是什么时候有了「口音」的？
「Claudish」是一门怎样的方言
从社区的描述看，这门「方言」的语法特征相当清晰：破折号是第一标志；「not just X, but Y」的对仗句式高频出现；习惯先给一句礼貌的铺垫再进入正题；喜欢分点、加粗和结构化排版；结尾往往要升华一下。中文用户对此应该也不陌生：先共情、再分点、最后「总的来说」，几乎是同一个口音的中文变体。
值得强调的是，这不是 Claude 独有的现象。ChatGPT 有自己的标志词（delve、tapestry、certainly），学界曾统计过 PubMed 论文摘要中此类词汇的异常增长；每家主流模型都在形成各自可识别的「方言」。不少 AI 检测工具本质上检测的并不是「谁写的」，而是「像不像那套风格」，文风指纹成了一条侧信道，期刊编辑筛稿、平台做溯源，用的都是这类线索。
口音是对齐的副产品
模型为什么会学出一口「标准腔」？答案藏在训练流程里。预训练决定了表达的分布，而 RLHF 阶段的偏好数据则在收窄它：标注员普遍偏爱礼貌、平衡、结构清晰、面面俱到的回答，奖励模型随后把这种偏好放大，于是一套「安全」的高频句式被反复强化，自我沉淀为文风。某种意义上，这和客服话术、新闻通稿的「组织文体」形成机制类似，只是模型的「组织」只有一个。
于是就出现了一个略带讽刺的规律：对齐做得越好，口音往往越重。越是「彬彬有礼、条理分明」的输出，越是一眼就能认出是模型写的。
这面镜子照出了什么
其一，可辨识性成了双刃剑。 对想悄悄使用 AI 的人来说，文风指纹是个麻烦；但对平台做内容溯源、对厂商做输出水印而言，它反而是现成的抓手。
其二，同质化的风险是真实的。 当大多数人用少数几个模型写作和润色，文本的措辞分布会向同一处收敛。已有研究（包括斯坦福团队关于 LLM 与创意同质化的工作）提示：模型在提升单篇文本「质量」的同时，可能在拉低群体层面的多样性。当所有文章都带上同一个口音，「delve」式的词汇异常只会越来越多。
其三，对开发者和写作者都有实操含义。 在 system prompt 里明确语域、禁用特定句式，正在成为 prompt 工程的常规动作；更根本的做法是把模型输出当初稿而非终稿，重要的文本留一层人工改写。对普通用户来说，能一眼认出「这句是模型自己加的套话」，正在变成一种新的编辑素养。
简短点评
Claudish 翻译器本身，大概几分钟就会玩腻。但它照出的事实会留下来：腔调是模型的指纹，指纹意味着可追踪，也意味着单调。真正的问题从来不是「AI 写得好不好」——按传统标准它写得很好——而是当所有人都用同一支笔，文章会不会越长越像。下次让模型帮忙之前，不妨在 prompt 里加一句：别用破折号，别写「不只是」，像正常人那样说话；然后自己动手，把最后那层「Claudish」擦掉。毕竟，翻译器可以双向转换文风，唯独「像谁」这件事，机器替不了你。