Thomas Hikaru Clark, Matias B. Martin i Kyle Mahowald opublikowali 21 października 2026 r. na arXiv pracę „Why is AI-generated language so hard to understand?”. Zamiast opisywać wrażenie, że teksty modeli są coraz trudniejsze w czytaniu, zmierzyli sześć konkretnych konstrukcji składniowych, o których psycholingwistyka wie, że obciążają czytelnika. Wszystkie dziewięć badanych modeli z czołówki używa ich częściej niż ludzie.
Najważniejsze w skrócie
- Korpus: 120 rozmów, 45 sesji programistycznych i 980 esejów od 14 modeli, zestawione z tekstem ludzkim z napisów filmowych, StackExchange i esejów studenckich
- Mierzone cechy: długie zależności składniowe, rzadkie n-gramy, zredukowane zdania względne, piętrowe rzeczowniki, uczłowieczanie podmiotów nieożywionych
- Llama i wersja bazowa Olmo są najbliżej tekstu ludzkiego, a w rodzinie Olmo wynik rośnie od bazowej, przez instruct, do modelu rozumującego
- Claude Opus 5.5 wygrywa z poprzednikiem Opus 5 w 19 z 21 porównań
- Dowód koncepcji: model dostrojony z karą za długość zaczął skracać zdania niezależnie od kontekstu i uogólnił to na wzorce nieobecne w treningu
Od czego to się zaczyna
Odpowiedź modelu jest poprawna. Fakty się zgadzają, nic nie zostało pominięte. A mimo to czytanie jej wymaga wysiłku — trzeba wrócić do początku zdania, żeby zrozumieć, co się z czym łączy.
To doświadczenie nie jest kwestią gustu. Pracę obciążają konkretne konstrukcje gramatyczne, których wpływ na pamięć roboczą czytelnika psycholingwistyka opisała na długo przed modelami językowymi.
Ale pojawia się problem: jeśli każde zdanie osobno jest poprawne, to co właściwie mierzyć?
Właśnie na to pytanie odpowiada ta praca.
Co dokładnie zmierzono?
Zespół zebrał korpus tekstów generowanych w trzech różnych sytuacjach: swobodnej rozmowie, sesji programistycznej i eseju argumentacyjnym. W sumie 120 rozmów, 45 sesji programistycznych i 980 esejów od 14 modeli — wśród nich Claude, GPT-5.6, GLM-5, Kimi K2.5 oraz mniejsze modele otwarte, jak Llama i Olmo.
Punktem odniesienia był tekst ludzki z trzech źródeł dopasowanych do tych sytuacji: napisów filmowych, serwisu StackExchange i esejów studenckich.
Dodatkowa kontrola jest tu ważniejsza, niż wygląda. Autorzy porównali teksty AI nie tylko z pisaniem ludzkim, ale też z parafrazami uzyskanymi przez tłumaczenie w tę i z powrotem. Modele używały trudnych konstrukcji częściej także od własnych parafraz — co oznacza, że nie jest to artefakt tematu ani długości.
Jakie to konstrukcje?
| Konstrukcja | Na czym polega | Przykład z badania |
|---|---|---|
| Rzadkie n-gramy | Zestawienia słów, które w tekście ludzkim prawie nie występują | „reader-patience budget” |
| Długie zależności składniowe | Podmiot i orzeczenie oddzielone długą wtrąconą częścią zdania | „A cat who can always get up and away is a much calmer cat” (Claude Opus 5) |
| Zredukowane zdania względne | Pominięty spójnik łączący, oszczędność jednego słowa | „the book the professor wrote” zamiast „the book that the professor wrote” |
| Piętrowe rzeczowniki | Ciąg rzeczowników bez wskazania, który określa który | „horror movie soundtrack generator” |
| Rzeczownik użyty jako czasownik | Słowo zmienia część mowy tam, gdzie człowiek by tego nie zrobił | „calendar it” (Claude Fable 5) |
| Uczłowieczony czasownik przy martwym podmiocie | Czynność wymagająca ciała przypisana pojęciu | „The whole conversation is eating its own tail” (Claude Opus 5) |
Wspólny mianownik tej listy to nie błąd, a koszt. Każdą z tych konstrukcji da się zrozumieć — tylko wymaga dodatkowej chwili. Sześć takich chwil na akapit daje wrażenie, które trudno nazwać, a łatwo odczuć.
Co znaczą te nazwy?
Terminologia tej pracy pochodzi z psycholingwistyki i bez tłumaczenia jest nieczytelna.
- Zależność składniowa — odległość między słowami, które muszą być połączone, by zdanie miało sens. Im dłuższa, tym dłużej czytelnik trzyma początek zdania w pamięci.
- n-gram — ciąg kilku kolejnych słów. Rzadki n-gram to zestawienie, którego czytelnik wcześniej nie widział, więc nie ma dla niego gotowego wzorca.
- Zdanie względne dopełnieniowe — konstrukcja typu „książka, którą napisał profesor”. Trudniejsza w przetwarzaniu od wariantu podmiotowego.
- Gęstość informacji — ilość treści na słowo. Wysoka gęstość jest zaletą przy przesyłaniu danych i wadą przy czytaniu.
- Post-training — etap po treningu bazowym, w którym model uczy się odpowiadać w konkretny sposób. Tu wskazany jako najbardziej prawdopodobna przyczyna.
- RLVR — uczenie ze wzmocnieniem, w którym nagrodę przyznaje automatyczny weryfikator, a nie człowiek.
Razem te pojęcia pozwalają sformułować tezę pracy: problem nie jest estetyczny, a mierzalny — i leży w tym, czego trening nie nagradza.
Dlaczego nie wystarczy powiedzieć, że modele piszą „nienaturalnie”?
Bo „nienaturalnie” nie mówi, który model i w którym miejscu. Praca pokazuje, że różnice między rodzinami modeli są duże, a to rozstrzyga o przyczynie.
Rodzina Olmo
Najbliżej tekstu ludzkiego są Llama i model bazowy Olmo. Wewnątrz rodziny Olmo wynik rośnie konsekwentnie: od wersji bazowej, przez wariant instruct, aż do modelu rozumującego Olmo Think, który osiąga poziom modeli czołowych. Skoro pogorszenie narasta wraz z kolejnymi etapami dostrajania, to najprawdopodobniej właśnie post-training jest źródłem.
Opus 5.5 jako kontrprzykład
Drugi dowód jest odwrotny i dlatego mocniejszy. Claude Opus 5.5 wygrywa z poprzednikiem Claude Opus 5 w 19 z 21 porównań. To znaczy, że celowane dostrajanie potrafi ten efekt odwrócić — nie jest on nieuchronną konsekwencją skali.
Jest też drugi problem, którego sama diagnoza nie rozwiązuje: nie każdy tekst powinien być krótki. Ludzie wybierają między wariantem krótszym i dłuższym zależnie od sytuacji. Model nagrodzony za zwięzłość traci tę elastyczność.
Skąd się to bierze według autorów?
Hipoteza jest sformułowana wprost. Język ludzki jest optymalizowany pod skuteczną komunikację — równoważy łatwość mówienia z łatwością rozumienia. Tekst generowany przez modele jest coraz bardziej optymalizowany pod inne cele: matematykę, kod i rozumowanie, gdzie nagradzana jest poprawność i gęstość informacji, a nie zrozumiałość.
Autorzy wskazują konkretne przejście: od RLHF (Reinforcement Learning from Human Feedback), gdzie nagrodę przyznawał człowiek, do RLVR, gdzie człowiek wypada z pętli sprzężenia zwrotnego w całości. W efekcie model rozwija rodzaj dialektu — dobrego do kompresji informacji i rozwiązywania problemów, złego dla ludzkiego czytelnika.
Znaczenie symboli
- …
- odpowiedź modelu
- …
- nagroda za poprawność, jedyny sygnał w RLVR
- …
- długość odpowiedzi
- …
- siła kary za długość
To opis eksperymentu dowodzącego koncepcji, a nie pomiar wykonany na modelach czołowych.
Podobne wyjaśnienie przyszło z wnętrza branży. Jackson Kernion, pracownik Anthropic zajmujący się dostrajaniem Claude'a, tłumaczył niedawno, dlaczego Claude Opus 4.6 był ostatnim dobrym „modelem do pisania” w firmie. Optymalizacja kolejnych modeli pod matematykę, kod i wyjaśnienia techniczne adresowane do innych modeli AI przesunęła Claude'a w stronę stylu, który działa dla AI, a dla ludzi jest zbyt gęsty. Kernion nazwał to przystosowaniem do „psychologii LLM-ów”.
Czy to już działa?
To opublikowana praca naukowa, nie narzędzie ani poprawka. Preprint ukazał się na arXiv 21 października 2026 r. i nie przeszedł jeszcze recenzji.
Jeden praktyczny skutek już istnieje. Przy Opus 5.5 Anthropic po raz pierwszy świadomie cofnęło ten trend, zajmując się przejrzystością zdań i przeładowanymi blokami informacji — a pomiary z tej pracy to potwierdzają.
Dlaczego to ważne?
Praca przekłada nieostry zarzut na mierzalny parametr, a tym samym czyni z niej cel optymalizacji. Dotąd cecha, o którą trudno się spierać inaczej niż przez przykłady, nie miała własnej miary. Teraz ma — i, jak pokazuje przykład jednej rodziny modeli, da się ją poprawić bez utraty zdolności technicznych.
Co dalej?
- Autorzy wskazują w streszczeniu „możliwe środki zaradcze” — kolejnym krokiem jest sprawdzenie, czy cechy psycholingwistyczne da się wprowadzić do post-treningu jako sygnał nagrody.
- Wynik Claude Opus 5.5 (19 z 21 porównań lepiej od Opus 5) stanowi punkt odniesienia, wobec którego da się ocenić kolejne wydania modeli pod kątem czytelności.
- Rodzina Olmo z otwartą wersją bazową, instruct i rozumującą pozostaje jedynym publicznym przypadkiem, w którym da się odtworzyć, na którym etapie dostrajania czytelność spada.
