研究：信息压缩压力可能让 AI 英文更难读
- 研究设计：Thomas Hikaru Clark 等比较 14 个不同层次模型在聊天、编程和作文场景中的输出，以近似体裁的人类文本和英日往返翻译后的改写为参照，统计低频词组、较长句法依赖、名词堆叠等特征。
- 主要发现：九个前沿或接近前沿的模型表现出更多低频词组和特定主谓搭配，但模型、特征与场景之间存在差异；研究者提出，面向数学、代码与可验证结果的训练可能鼓励信息压缩，而不总照顾读者工作记忆。
- 机制实验：对 Qwen2.5-1.5B-Instruct 做强化学习，在结构化事件转英文任务中增加长度惩罚，模型随之更偏好省略可选成分等较短表达；该倾向能迁移到部分未训练结构，但远距离迁移并不普遍。
- 边界：论文只分析英文，以与理解难度相关的语言特征作为间接指标，没有直接证明每位真人读者都更难理解，也未取得前沿模型完整后训练过程来识别因果。HN 热度 241 points、197 comments。 🔗 arXiv 论文 | HN 讨论