暴跌95%！Claude连夜砍光“最大AI铁证”，背后的真相细思极恐

作者 | 李益 · 编辑 | 方成

过去两三年里，即便身为普通读者、没有任何技术背景，只要经常在网上浏览英文，大概率都练出了一种 近乎本能的直觉 。

当你看到一段话里密密麻麻地塞满了 长破折号（em dash，即英文里的“，”） ，甚至一句话非要用两个破折号强行插入一段补充说明时，你的脑海里会瞬间拉响警报：

“别看了，这绝对又是 AI 写的。”

在英语互联网世界，长破折号一度成了大语言模型额头上抹不掉的“机器味条形码” 。 社区里甚至专门发明了一个词来嘲讽这种冗长、爱插科打诨、动不动就“X, not Y”的文风， “Claudish”（克劳德腔）。

Arena.ai 发布的 Opus 5.5 与 Opus 5 写作指标对比分析

然而，Anthropic 刚刚发布的 Claude Opus 5.5 ，却突然在全世界眼皮底下掀起了一场 触目惊心的“语言大清洗” 。

第三方权威基准平台 Arena.ai 发布了一组令所有人倒吸一口凉气的数据：在高难度推理输出中，Opus 5.5 相比上一代 Opus 5， 长破折号的使用量暴跌了整整 95%！ 与此同时， 分号（;）的使用量也狂降了 73% 。

一夜之间，这个最容易被人类抓包的“AI 铁证”，几乎被它 连根拔起、彻底抹杀 。

但故事并未到此为止

随着全球极客和数据机构的层层深扒，人们惊讶地发现： AI 远未实质贴近人类表达，它只是学会了如何更巧妙地“隐藏凶器”。

01 一夜蒸发的“凶器”：人类作家全被误伤了

来看一组具体数据： 95% 的跌幅到底有多夸张？

在 Opus 5 时代，模型每写 1000 个英文单词，平均要塞进 15.2 个长破折号 ；

而在 Opus 5.5 中，这个数字直接跳水到了 0.8 个 。

有开发者拉出 593 条 Opus 5.5 的实际对话记录，赫然发现 长破折号的出现次数直接归零 ；

还有人在 Reddit 上做了五组严格的编程任务对比，Opus 5 狂敲了 98 个破折号，而 Opus 5.5 同样是一个没用 。

网友调侃：未来的历史学家回看 2024–2026 年破折号的暴增，一定会满头问号

长破折号本来是个极具表现力的正统标点，在严肃文学和深度报道里很常见。

但由于此前几代前沿模型极度滥用，直接导致这个标点遭遇了 前所未有的“污名化” 。

著名记者 Ryan Grim 忍不住在社交平台上公开吐槽：“我本身非常喜欢用破折号和分号，现在倒好，就因为 AI 把它们玩坏了，我每次用都感觉自己在被读者审判。”

网友 Joseph N. Aburu 直言： “Opus 5.5 并未实质贴近人类的口吻，它只是终于摸清了究竟是哪种标点符号在暴露自身。”

02 诡异的算术题：句子短了 17%，回答为什么反而更长了？

如果仅仅是删掉了几个标点符号，还不至于让整个 AI 圈为之震动。

让研究人员大为不解的反常之处，落在一道 看似违背数学常理的怪题 上。

根据 Arena.ai 的深度测量，Opus 5.5 在可读性上确实“大动干戈”：

• 平均句子长度

  从 12.14 词缩短到了 10.03 词， 一口气缩短了 17% ；

• 长难实词的占比

  从 41.7% 下降到 38.6%，创下 Claude 家族的历史最低值；

• 读起来更轻快、更口语化，不再动不动就给你整一堆长篇大论的从句嵌套。

按理说，句子变短了、生僻词变少了，整个回答应该更加精炼短小才对。

但事实恰恰相反！

BleepingComputer 报道：少了 95% 的破折号，但答案却变得越来越长

在公开竞技场的高推理任务中，Opus 5.5 的单次回答平均词数不仅没少，反而 从 453 词微增到了 481 词（上升约 6%） ，一举成为整个 Opus 家族中 平均篇幅最长的一款模型 ！

短句变多了，总字数却暴涨了，这是什么巫术？

答案藏在 AI 的 “结构重组术” 里

知名 AI 检测机构 Pangram 在拆解上千个样本后发现：Opus 5.5 并未减少冗余，转向把原本由破折号衔接的复杂长句， 全部打碎重组为密集的“列表清单” 。

• 编号列表项

  暴增了 111% ；

• 无序列表项

  暴增了 85% ；

• 总结性陈述标记

  更是骇人听闻地 暴增了 942% ！

社区调侃：消灭了 95% 的破折号，却依然更啰嗦了 6%

以前的 Opus 5 遇到复杂逻辑，会用两个破折号写一段 60 词的长复合句； 现在的 Opus 5.5 为了追求“清晰自然”，会把这段话拆成 4 个短句。

但紧接着，它会给每个短句加上序号、加粗核心词、补上承上启下的过渡废话，最后在文末再贴心附赠一个长长的“总结段落”。

单句确实变短了 17%，但生成的句子数量却生生暴涨了 30% 以上。

它看似治好了“长难句综合征”，实则患上了晚期的“排版强迫症”。

03 分裂的罗生门：公开刷榜与企业搬砖的两副面孔

更有意思的一幕出现在工业界与基准平台的正面碰撞中。

这边厢，基准平台 Arena.ai 白纸黑字写着“回答变长了 6%，是家族最长一代”；

那边厢，企业级软件巨头 Box 却在实际业务评测中给出了完全相反的结论： 在 Box 的企业生产场景中，Opus 5.5 消耗的 Token 暴跌了近三分之二（减少约 67%），啰嗦程度直降 40%！

一边喊着“更长了”，一边夸着“短了三分之二”，到底谁在说谎？

谁也没说谎，这恰恰撕开了当前大模型评测体系最隐秘的“皇帝新衣”。

权威学术论文《Length-Controlled AlpacaEval》（arXiv:2404.04475）早就指出了一个残酷的现实：无论是由人类众包评委打分的竞技场，还是用 GPT-4 充当裁判的自动评估系统，都存在极其严重的 “长度偏见（Length Bias / Verbosity Bias）” 。

在开放式提问中，只要两份答案准确度差不多， 篇幅更长、排版更丰富、总结更周全的那一个，胜出概率就会呈压倒性优势 。

AI 实验室在利用强化学习（RLHF）刷榜时，模型本能地学会了“唯有写得又臭又长，才能讨好裁判”。

• 在公开竞技场（Text Arena）

  ：面对开放式、没有字数限制的提问，Opus 5.5 启动了它的“刷榜人格”，疯狂展开列表、加码总结，生怕漏说一点被判定为“诚意不足”；

• 在企业真实生产中（如 Box / Ramp）

  ：任务往往有明确的输入约束和精准目标，Opus 5.5 展现出了极强的信息前置能力，直奔主题、废话全无。

这就是现代大模型的精明之处： 在考核指标面前拼命迎合，在真实生产中极力省钱。

04 幽灵换了张新皮：检测器死了吗？

破折号隐去后，肉眼愈发难以识破 AI，专用的检测工具是否因此沦为摆设？

恰恰相反，机器识别机器，从来不看几个标点。

检测机构 Pangram 实测：即便抹去破折号，检测准确率依然高达 99.70%

Pangram 用其最新的检测模型对 1000 条来自 Arena 的 Opus 5.5 生成文本进行盲测，结果令人咋舌： 997 条被精准判为“完全由 AI 生成”，准确率高达 99.70%！

与此同时，在旧印记消退的背后， 一批全新的“AI 味特征”正在以惊人的速度野蛮生长 ：

数据显示：虽然破折号跌了 95%，但对冲语却暴涨了 97%

Arena 的统计数据显示，诸如 “perhaps”（或许） 、 “arguably”（可以说/论证上） 这类用来减弱断言力度的“对冲/限定词汇” ，在 Opus 5.5 中 暴涨了整整 97%（从每千词 0.39 个飙升至 0.77 个），直接创下 Claude 家族的历史新高。

过去的 Claude 喜欢用破折号大开大合地高谈阔论； 现在的 Claude 则学会了打太极，通篇充斥着“或许”、“在某种程度上可以说”。

开发者 Huy Tieu 设立硬规则拦截 AI 味，发现 Opus 5.5 被拦截率从 30.5% 骤降至 3.2%

资深开发者 Huy Tieu 在自己的代码库中设立了一道专门拦截“AI 硬特征”的网关（包含破折号、“X, not Y”句式等）。

在 Opus 5 时代，有 30.5% 的回复会被直接打回；

而在 Opus 5.5 时代，拦截率瞬间跌到了 3.2% 。

旧的特征被洗干净了，但新的语言烙印又被焊死在了模型底层。

05 一场永无止境的“图灵猫鼠游戏”

Claude Opus 5.5 抹去 95% 破折号，绝非一次微不足道的文风微调。

它像一面镜子，照出了人类与人工智能之间正在上演的一场 旷日持久的“图灵军备竞赛” ：

1. 人类在长期使用中，摸索出一套识别 AI 的土办法（比如看破折号、看生僻比喻）；

2. 这一反馈被实验室捕获，工程师在对齐训练（RLHF）中定向压制这些特征；

3. 模型为了在评测基准中继续维持高分，自发演化出新的代偿机制（狂加列表、狂打对冲词）；

4. 人类再次对新特征产生审美疲劳与警惕，倒逼下一轮清洗。

在这一往复循环中，承受代价的反倒是人类自身。

当长破折号被视为 AI 的专属印记，当严谨的对冲词被当成机器打太极的凭证， 人类写作者不得不开启严苛的自我审查，甚至主动放弃那些原本优美而精妙的语言工具。

AI 正在拼命学习如何不像机器，人类创作者却在战战兢兢地自证真人身份。

这场跨越文明尺度的语言博弈，才刚刚拉开序幕。