大模型中文表达能力差异的技术根源

在实际使用中，不少开发者会有一种直观感受：同样是通用大模型，有的模型在中文表达上更”有质感”——措辞自然、语气得体、行文有节奏；而有的模型虽然知识面广、推理能力强，输出却偏向”正确但平淡”。这种差异并非玄学，而是可以追溯到语料结构、训练目标与对齐策略三个层面的工程选择。本文尝试从技术角度拆解这一现象的成因，并给出面向中文写作场景的实践建议。

一、表达能力不等于理解能力

首先要区分两个常被混淆的能力维度：

• 理解能力：模型对输入语义的解析、推理与知识调用能力；
• 表达能力：模型将内部表示转化为符合语境、语体与审美预期的自然语言的能力。

二者共享同一套参数，但优化路径并不完全重合。一个模型可以在标准化推理测试中表现优异，却在开放写作中显得生硬；也可以在知识问答中平平，却在文案、叙事、对话中显得灵动。原因在于：理解能力更多由预训练语料的广度与指令微调的质量决定，而表达能力高度依赖预训练语料的”语感密度”与对齐阶段的风格偏好建模。

这就解释了一个常见现象：某些模型在逻辑题、代码题上很强，但写一段中文随笔时，句式重复、连接词滥用、语气单一。它不是”不懂”，而是”不会说”。

二、语料结构：语感来自什么样的文本

大模型的语言风格，本质上是预训练语料的统计投影。语料结构对表达能力的影响，至少体现在三个维度：

1. 书面语与口语的比例

如果预训练语料以网页文本、论坛问答、技术文档为主，模型学到的中文偏向”信息传递效率优先”——短句多、连接直白、修辞稀少。这类语料对问答和检索友好，但难以支撑文学性、评论性、叙事性的表达。

2. 长文本与短文本的比例

高质量的长文本（书籍、长篇报道、演讲稿）包含完整的论证结构、段落过渡与语气变化。模型在长文本上学习到的不仅是词汇，更是”如何组织一段有节奏的表达”。以短文本为主的语料，容易让模型输出碎片化、缺乏层次感。

3. 语体的多样性

中文的语体跨度极大：公文、学术、新闻、散文、对话、网络用语各有其词汇与句法习惯。如果语料在某一语体上过度集中，模型就会在该语体上表现突出，而在其他语体上”串味”。例如，古文与白话混用、生造半文半白的表达，往往是语料中某一类文本占比异常导致的。

这也解释了为什么一些团队会投入巨大成本去获取高质量长文本语料——包括实体书籍的数字化。书籍相比网页文本，具有更完整的结构、更严格的编辑流程和更丰富的语体样本，对”写出好文章”这一目标的价值远高于等量的碎片化文本。

工程启示：如果业务场景对中文表达质量敏感，语料建设不能只看 token 总量，还要看语体覆盖度、长文本占比与编辑质量。

三、训练目标：从”预测下一个词”到”写出好文章”

预训练的目标函数是统一的——最大化下一个 token 的似然。但不同数据分布会让模型收敛到不同的”语言习惯”。

1. 困惑度不等于表达质量

困惑度低，说明模型对语料的统计规律拟合得好，但不代表输出符合人类审美。一个在大量低质文本上训练的模型，可能非常”擅长”生成低质文本。

2. 风格是一种隐式奖励

对齐阶段（如基于人类反馈的强化学习）会把人类偏好编码进模型。如果偏好数据中，评价者更看重”信息准确”而忽略”语气自然”，模型就会倾向于输出安全但平淡的答案。反之，如果偏好数据覆盖了语气、节奏、得体性等维度，模型才会在这些维度上优化。

3. 语气敏感性是心智理论的副产品

有研究表明，大型语言模型在部分心智理论测试中可以达到甚至超过人类水平。心智理论的核心是”推断他人意图与情绪状态”。表达能力强的模型，往往表现出更强的语气敏感性——它能根据上下文推断用户期待的是安慰、调侃、正式说明还是简洁结论，并相应调整措辞。这种能力不是单独训练出来的，而是语料多样性、指令多样性与偏好建模共同作用的结果。

四、对齐策略：如何让模型”说人话”

对齐阶段是表达能力的”最后一公里”。常见的工程手段包括：

• 指令多样性：覆盖写作、改写、润色、角色扮演等多种任务形态，避免模型只学会”问答腔”；
• 偏好数据分层：按语体、场景、用户群体分层采集偏好，避免单一审美主导；
• 拒绝采样与重排序：对同一输入生成多个候选，按表达质量重排，让模型学习更优的表达路径；
• 长度与节奏控制：在奖励设计中加入对冗余、重复、机械连接的惩罚。

一个常见的误区是：只优化”准确性”指标，忽略”可读性”指标。结果是模型答得对，但读起来累。对于中文写作类应用，可读性、语体一致性与语气得体性应当作为独立评估维度纳入迭代流程。

五、面向中文写作场景的实践建议

如果你是开发者或企业用户，正在为中文写作类应用选型或优化模型，可以从以下角度入手：

1. 建立语体评估集：不要只用通用 benchmark，而要构造覆盖公文、营销文案、客服话术、技术文档等场景的评估集，人工评分维度包括自然度、节奏感、语体一致性。
2. 关注长文本生成稳定性：测试模型在 800 字以上输出中是否出现结构松散、重复、语气漂移。
3. 对齐阶段引入风格标注：如果具备微调能力，可在偏好数据中显式标注语气、正式度、情感倾向，让模型学习可控的风格切换。
4. 推理阶段做风格约束：通过系统提示词明确语体、受众与长度预期，减少模型的”默认腔调”。
5. 建立回归机制：每次模型迭代后，用同一套写作评估集回归，防止表达能力在追求其他指标时退化。

六、结语

大模型中文表达能力的差异，不是单一因素造成的，而是语料结构、训练目标与对齐策略共同作用的结果。理解能力决定模型”能不能答对”，表达能力决定模型”答得好不好看”。对于面向中文用户的写作、客服、内容生产类应用，后者往往直接决定用户体验。

在工程实践中，与其纠结”哪个模型更强”，不如回到具体场景：明确你的语体需求、长度需求和风格需求，用可量化的评估集去衡量，再通过提示工程、微调或对齐手段去逼近目标。表达能力的提升，本质上是数据与偏好建模的精细化问题，而不是单纯的参数规模问题。