💡 核心結論速覽 (TL;DR)
- 破折號已經不能當判準：一份 2026 年 7 月的研究指出，當代模型裡只有 Claude 用破折號比專業寫手多，ChatGPT 反而用得更少；GPT-5.1 甚至被特地調整成少用。
- AI 高頻詞會換代：delve 在 2023 年紅極一時，2025 年幾乎消失。拿兩年前的詞表抓今年的稿子，抓到的多半是冤枉的。
- 真正一抓一個準的是「殘留標記」：
oaicite、[cite: 1]、grok_card這類複製貼上帶出來的字串，搜一次就見真章，比看用詞可靠太多。- 先排除誤判再下判斷：完美文法、正式文風、冷冰冰的語氣這 6 項都被維基百科列為無效指標；我拿七百多篇中文稿實測關鍵詞比對，命中的幾乎全是假陽性。
朋友上週丟給我一段截圖，是他部門主管在群組裡發的：「以後交上來的稿子，我看到破折號就退件。」他問我這個標準合不合理。
我的直覺反應是——這條規則在 2023 年可能有點道理，但放到現在，它抓到的冤案會比真案多。而且不只破折號，市面上流傳的那套「AI 味辨識法」，有超過一半的判準其實已經失效或本來就不成立。
這件事其實有一份出乎意料完整的參考資料：英文維基百科的編輯社群，為了對付湧入的 AI 生成條目，協作維護了一份「AI 寫作特徵」指引，分成十三個大類，而且到現在還在更新。更難得的是，它專門留了一個章節叫「無效指標」，寫的是哪些特徵不能拿來當證據。
這篇我把那份清單整個拆過一遍，挑出真正還有效的、已經過期的、以及會冤枉人的，再補上英文清單沒有的中文專屬破綻。你可以直接拿去用。
AI 味是什麼？先分清楚「讀起來像 AI」跟「真的是 AI 寫的」
AI 味指的是一種語感上的違和：句子都對、文法都通，但節奏太平均、資訊密度太低、像在填格子。它是閱讀體驗的問題，不等於作者身分的問題。
這兩件事一定要拆開，因為它們的處理方式完全相反。
讀起來像 AI，是可以靠改寫解決的品質問題；真的是 AI 寫的，是一個關於身分的指控。前者你自己修就好，後者你一旦說出口，就要準備好證據。
我看過太多人把這兩件事混在一起講。有人文筆本來就工整，被同事拿「太像 AI」當理由退稿；也有人明明整篇是機器產的，因為刻意加了幾句口語，就這樣過關了。用語感當唯一標準，冤枉的和放過的通常一樣多。
維基百科那份指引一開頭就先說了這件事：光靠文風判斷 LLM 生成的文字，沒有想像中容易。而且誤指他人用 AI 會趕跑新人、製造猜忌氛圍；在指控之前，應該先自問是不是被鄧寧-克魯格效應或確認偏誤影響了判斷。
一份給編輯用的糾察指引，開場先叫你懷疑自己——這個態度我覺得比清單本身更值得抄。
維基百科那份 AI 寫作特徵清單是怎麼來的？為什麼值得看
它是英文維基百科的一份編輯指引，不是條目，而是社群為了處理 AI 生成投稿累積出來的實務筆記，由大量編輯反覆修改而成。
我會建議看它，理由有三個，而且都跟一般網路上那些「十個 AI 味特徵」不一樣。
❶ 它是被實際使用過的。寫它的人每天在處理真的投稿，判斷錯了會有人吵架，所以每一條都被質疑過。
❷ 它會標示過期。清單裡有專門的「歷史指標」章節，收的是以前有效、現在失效的特徵，例如 2022 到 2024 年那種「身為一個 AI 語言模型，我無法……」的免責開場白。
❸ 它有「無效指標」章節。這是我認為最有價值的部分，下一段整段講它。
順帶一提，我去看的時候，那頁頂端還掛著一個維護提示，說「與最新模型相關的部分需要更新」。連這份最勤於維護的清單都在標自己過期——這件事本身就在提醒你，任何 AI 辨識法都有保鮮期。
最常被當證據、其實會誤判的 6 個判準
維基百科把以下六項列為無效指標，意思是它們不但證明不了什麼，有些甚至指向相反的結論。這張表你可以先存起來，下次有人說「這篇一看就是 AI 寫的」時拿出來對。
| 被拿來當證據的特徵 | 為什麼不成立 |
|---|---|
| 文法完美、幾乎沒有錯字 | 很多人本來就是專業寫手或編輯出身，文法好是職業技能，不是機器指紋 |
| 文風正式、學術、用字華麗 | 模型偏好的是特定幾個字，不是「所有正式的字」；把整類文風打包當證據是過度推論 |
| 文風冷淡、像機器人 | 模型的預設其實偏正面、偏囉唆；真正的冷硬文風反而不太像它的輸出 |
| 口語跟正式語混在一起用 | 可能只是理工背景的人隨手寫、可能是年輕世代的語感、可能是神經多樣性，也可能只是多人共筆 |
| 愛用轉折詞（另外、因此、值得注意的是） | 只有少數幾個轉折詞真的被過度使用，而且這種寫法在論說文裡本來就常見，多數風格指南也接受 |
| 沒有附出處 | 維基百科上超過 57 萬篇條目被標缺來源，多數還早於 LLM 出現；而現在的模型反而會主動附引用（雖然不保證正確） |
我自己最有感的是第一項跟第三項。
身為那種寫完會逐句回頭改三遍的人，我很早就發現「寫得太順」在某些場合會變成扣分項。這幾年幫朋友看稿，最常聽到的一句抱怨就是：「我明明自己寫的，主管說太像 AI。」要一個人自證沒有用工具，其實是無法完成的任務——你能拿出什麼？
維基百科給的解法我覺得很實際：看對方能不能解釋自己的取捨。問他為什麼這裡用這個字、為什麼這段放在前面。寫的人講得出來，抄的人講不出來。這比任何文風分析都準。
破折號還能當判準嗎？2026 年的答案跟你想的不一樣
不能了，至少不能單獨用。這是這幾年翻轉最徹底的一條判準。
維基百科引用了一份 2026 年 7 月的研究，結論是：當代模型裡只有 Claude 使用破折號的頻率高於專業寫手，而 ChatGPT 用得比專業寫手還少。
會變成這樣，是因為廠商真的去調了。Ars Technica 在 2025 年 11 月報導過一件有點好笑的事：OpenAI 的執行長 Sam Altman 公開慶祝 ChatGPT 「終於願意遵守破折號的格式規則」。當「愛用破折號」變成公認的 AI 標記，廠商的反應就是把它調掉。
所以現在的狀況變成這樣：
- 看到一堆破折號 → 可能是 Claude，也可能是那種本來就愛用破折號的人（我就是）
- 看不到破折號 → 完全不能排除是 AI，因為新版模型本來就少用了
如果真的要看標點，有個細節比「有沒有破折號」可靠得多：看破折號前後有沒有空格。維基百科指出，模型產生的破折號常常兩邊帶空格，而熟悉這個符號的人多半知道慣例是不加的。這是排版習慣的破綻，不是用字偏好，比較難靠改寫掩蓋。
同一個道理也適用於引號。ChatGPT 和 DeepSeek 傾向使用彎引號（“ ”）而不是直引號，有時甚至在同一段裡混用兩種。但這一條千萬別當證據——Word 的智慧引號、macOS 和 iOS 的系統預設、還有一堆文法檢查工具，都會自動幫你轉成彎引號。
AI 高頻詞會換代：2023、2024、2026 各是哪一批
網路上流傳的「AI 愛用詞表」大多停在 2023 年，這是它們現在失準的主因。維基百科按模型世代把這些詞分了組，看完你會發現詞彙汰換的速度比想像中快。
| 時期 | 代表高頻詞 |
|---|---|
| 2023 至 2024 年中 | delve、tapestry、testament、pivotal、meticulous、intricate、boasts、vibrant、garner、underscore |
| 2024 年中至 2025 年中 | align with、fostering、showcasing、enhance、highlighting、enduring |
| 2025 年中以後 | emphasizing、enhance、highlighting（整體收斂，辨識度下降） |
delve 是最好的例子。它在 2023 年紅到變成梗，2024 年下半開始減少，2025 年急遽下降。現在還在用「有沒有 delve」抓稿子的人，抓的是三年前的模型。
比單字更耐用的是句構層級的習慣，因為那比較不容易被廠商一次調掉：
❶ 迴避基本的「是」。不寫 is／are，改成 serves as、stands as、represents、functions as、boasts、features——中文對應就是不寫「是」，改寫成「扮演著⋯⋯的角色」「堪稱⋯⋯」「體現了⋯⋯」。
❷ 否定式排比。三種變形：「不只 X，還 Y」「不是 X，而是 Y」「與其說 X，不如說 Y」。這條在中文裡特別明顯，下一段細講。
❸ 三的法則。什麼都湊三個：三個形容詞、三個短語、三個要點。維基百科的觀察很銳利——模型常用這個結構讓膚淺的分析看起來很完整。
中文的 AI 味長什麼樣？英文清單沒寫的部分
維基百科那份清單是為英文寫的，直接套到中文會漏掉一大半。這一段是我自己整理的觀察，沒有對應的研究可以引，你就當成一份實務筆記來看。
中文最容易露餡的地方，我認為不是用詞，而是句子的長度分布。
人寫東西的節奏是不平均的：想通一件事的時候會一口氣寫很長，卡住的時候會突然冒出一個五個字的短句。機器產出的中文，句長會收斂到一個很窄的區間，整段讀下來像節拍器。你把段落貼進編輯器，看每一句的長度是不是都差不多，比逐字比對詞表有效。
除此之外，這幾個中文專屬的痕跡我覺得辨識度最高：
| 中文 AI 味特徵 | 實際長相 |
|---|---|
| 對比句式成癮 | 「不是⋯⋯而是⋯⋯」「真正的問題不在⋯⋯而在⋯⋯」一段裡出現兩次以上 |
| 萬用抽象名詞收尾 | 句子最後掛上「的關鍵」「的核心」「的本質」「的底層邏輯」，但沒有具體所指 |
| 過度導覽 | 「接下來我們將探討」「綜上所述」「值得注意的是」——把段落之間的關係講出來，人通常直接寫下一句 |
| 情緒詞浮在表面 | 「令人驚豔」「相當實用」「非常值得」，但沒有任何具體場景支撐這個評價 |
| 簡繁語彙混入 | 繁體文章裡出現「視頻」「軟件」「質量」「信息」「屏幕」，通常是語料混進來的痕跡 |
| 條列強迫症 | 不需要並列的東西硬排成三點，而且每點字數整齊得不自然 |
最後那個「簡繁語彙混入」，我覺得是中文圈最實用的一條。它不是語感問題，是可驗證的事實錯誤——繁體使用者不會自然寫出「視頻」。這種痕跡和英文的殘留標記是同一類：屬於作業流程漏出來的東西，不是風格偏好。
如果你要建自己的檢查清單，我會建議先從空話、重複、沒觀點這三個高頻毛病下手，因為它們比用詞更影響讀者要不要看完。
還有一件事很多人沒注意到：不同模型的中文語感差很多。同一段提示丟給三家，出來的句長習慣和愛用詞都不一樣，所以「AI 味」根本不是單一種味道。這也是為什麼下指令的寫法要因家而異，用同一套規則套所有工具，結果通常兩邊都不到位。
真正一抓一個準的：各家模型的殘留標記
如果你只能記住這篇的一件事，記這個：去搜殘留標記，不要去猜文風。
這些是模型在生成引用、附件、搜尋結果時使用的內部字串。正常情況下介面會把它們渲染掉，但只要是複製貼上，就有機會整串跑出來留在文件裡。維基百科整理了各家的特徵字串：
| 來源 | 會出現的字串 |
|---|---|
| ChatGPT | contentReference、oaicite、oai_citation、turn0search0 |
| Gemini | [cite: 1]、[span_1](start_span) |
| Grok | grok_card、grok_render_citation_card_json |
| DeepSeek | 六角括號、劍號等異常符號 |
| Perplexity | attached_file、ppl-ai-file-upload |
另外還有一類同樣好抓的：對話殘留。像是「當然可以！以下是為您整理的⋯⋯」「希望這個版本符合您的需求」「如需調整請告訴我」，或是引用網址後面掛著 utm_source=chatgpt.com 這種追蹤參數。
這類證據跟文風分析的差別在於它不需要主觀判斷。用 Ctrl+F 搜一次就有答案，也不會冤枉任何人——沒有人會自己手打 oai_citation。
不過要提醒一句：抓到殘留標記只能證明「這段經過某個工具」，證明不了整篇的作者是誰。一個人完全可能自己寫完、再丟給模型查資料，然後不小心把引用格式帶回來。
AI 偵測工具到底準不準？該不該付費買
先給結論：可以當參考，不能當判決。而且如果你是要拿它去指控別人，我會直接說不要。
這不是我的個人保留意見，是維基百科寫進指引裡的規定。原文明確要求編輯不要單獨依賴 AI 偵測工具，還直接點名了 GPTZero 和 Pangram。理由列了三條：
- 它們雖然比隨機猜測好，但錯誤率不可忽視
- 改寫、加標記、甚至只是改動空格，都可能讓結果翻盤
- 遇到訓練時沒看過的模型就會失準——而新模型每幾個月就出一批
最能說明態度的是最後那一句：偵測工具給出的高 AI 比例，不構成快速刪除條目的理由。一個每天要處理大量可疑投稿的社群，寧可用人工判斷也不採信分數，這個取捨很說明問題。
那什麼時候值得付費？我的判斷是這樣：
| 你的情境 | 我會建議 |
|---|---|
| 自己寫完想檢查有沒有 AI 味 | 不用付費。免費額度足夠，而且你要的是「哪一段讀起來怪」，不是分數 |
| 發包給外部寫手，要做交付驗收 | 可以買，但要搭配寫得出來的驗收標準，不能只看分數退件 |
| 學術或人事場合的正式指控 | 不要用。誤判成本太高，而且對方要自證清白得花很大力氣 |
| 只是好奇某篇文章 | 先用 Ctrl+F 搜殘留標記，三秒鐘，比跑偵測工具準 |
市面上像 Copyleaks、Originality.ai 這類工具都有月費方案，數字看起來都很漂亮。但你要記得它們賣的是信心，不是證據——所有廠商都會在自己的說明頁寫「結果僅供參考」，那句話不是客套。
真的要在這個環節花錢，我會把預算放在別的地方。與其買偵測工具事後抓，不如按需求把手上的工具組配好，讓草稿一開始就有你的資訊在裡面——因為讀者退出的原因從來不是「這篇有 AI 味」，是「這篇沒告訴我新東西」。
我拿七百多篇中文稿實測「關鍵詞比對」，結果推翻了原本的做法
這段是我自己踩過的坑，也是我後來不再相信詞表的原因。
我想知道「用關鍵詞比對抓 AI 味」這個方法到底行不行，手邊剛好有一批七百多篇的中文文章可以當語料庫，就寫了一支掃描腳本，把常見的 AI 味句式做成規則跑一遍，看看它會抓出什麼。
第一次跑完，命中數字很好看，我還一度覺得這方法可行。但把每一處命中放回上下文看，問題就出來了——絕大多數是假陽性。
舉個實際的例子。「不是 A，而是 B」被我列進規則，因為它是公認的 AI 句式。可是這個句型在中文裡本來就是最自然的轉折方式之一，一篇正常的文章出現兩三次完全不奇怪。規則抓得到字串，抓不到密度異常，也抓不到這句話後面有沒有接具體內容——而後者才是真正的差別。
還有一個更隱蔽的坑，是統計方法本身造成的。我一開始寫的掃描器每篇只回報第一處命中，這讓整體數字看起來低得令人安心。等我改成回報全部位置，同一批文章的命中數翻了好幾倍。你的工具怎麼算，會直接決定你看到的現實。
那次之後我改成兩軌：規則負責快速標出可疑位置，人負責判斷這一處在上下文裡成不成立。規則單獨用會冤枉人，人單獨看會漏掉一半，兩個一起才有用。
這個結論其實和維基百科的立場一模一樣。他們列出一長串特徵，卻在旁邊寫「這些指標最好合併使用，不要單獨採信」——當時我覺得是在打太極，實測完才知道那是經驗談。
想去掉 AI 味，我實際會做的 4 件事（含一條紅線）
如果你的目的不是抓別人，而是讓自己的稿子讀起來更像人寫的，我會做這四件事，順序有差。
❶ 先砍導覽句。「接下來我們將探討」「綜上所述」「值得注意的是」——這類句子刪掉之後，文章幾乎不會少任何資訊。這是投報率最高的一步。
❷ 打散句長。找出連續三句字數接近的地方，把其中一句拆成兩句，或把兩句併成一句長的。節奏一亂，機器感立刻降下來。
❸ 把抽象評價換成具體場景。「這個功能相當實用」沒有資訊，「我用它把每週的稿件盤點從一個下午縮到二十分鐘」才有。這一步同時解決了 AI 味和內容空洞兩個問題，如果你常覺得自己的稿子讀起來很飽但講不出重點，從初稿就把空話擋掉的改法會比事後潤飾省力。
❹ 把你的判斷寫進去。模型不知道你為什麼放棄某個方案、不知道你踩過哪個雷。這些是它產不出來的東西，也是讀者真正會記住的部分。想把個人風格固定下來，可以把常用的偏好設定成專屬風格，省得每次重講。
然後是那條紅線，我認為比上面四點都重要：
潤飾只能改寫法，不能增加內容。你可以請工具幫你把某段改順，但只要它「順手」幫你補了一個案例、一段故事、一個數字，那就不叫潤飾，叫捏造。
這個坑我看過太多人踩。模型很擅長生成聽起來合理的例子，而聽起來合理的假例子，比明顯的錯誤危險得多，因為它不會觸發你的懷疑。對寫東西給人看的人來說，這是第一條也是唯一一條不能退讓的底線。
順帶提醒，去 AI 味和 Google 怎麼看內容是兩件事，別混著焦慮。官方判斷農場文只看兩件事，跟文章讀起來像不像 AI 沒有直接關係；至於最近上路的浮水印，我也實際掃過檔案驗證過影響範圍。
這套判斷適合誰？什麼情況我不會這樣建議
這篇的判斷方式，是給需要對內容品質負責、但不想冤枉人的人用的。以下是我的適用邊界。
| 適合這樣用 | 不適合這樣用 |
|---|---|
| 自己審自己的稿，抓語感問題 | 當成人事或學術懲處的依據 |
| 內容團隊建立交付標準 | 在群組裡公開指認某人用了 AI |
| 接案前評估對方的交付品質 | 用單一特徵（例如破折號）一票否決 |
| 教新手認出低品質內容 | 當成通用真理套到英文以外的所有語言 |
成本這邊也講清楚：整套判斷方法本身不用花錢。維基百科那份清單是公開的，殘留標記用 Ctrl+F 就能搜，句長分布用任何編輯器都看得出來。真的要花錢的只有偵測工具的訂閱，而我前面說過，那筆錢只有在「發包驗收」這個情境下值得。
如果你要的是不用每次重講規則的做法，那要處理的其實不是辨識而是產出端——這時候該調整的是你給的指令本身，或是在流程裡安排不同工具分工，讓草稿一開始就不要長成那個樣子。從源頭調，比事後一句一句改省力太多。
FAQ 常見問題
用了 AI 潤稿，還算是我自己寫的嗎？
我的界線是看資訊是誰產的。觀點、案例、判斷、經驗都是你的，工具只負責把句子改順，那還是你的作品。但如果案例是它給的、結論是它下的，那你只是編輯不是作者。這條界線跟工具用多用少無關，跟「誰決定內容」有關。
AI 檢測工具說我的文章有 90% 是 AI 寫的，怎麼辦？
先不要慌，更不要急著改——急著改反而會讓你失去「原始版本」這個最有力的證據。你該做的是拿具體特徵回頭比對：搜一下有沒有殘留標記、看句長是不是過於平均、檢查有沒有一堆空泛的評價句。這些都沒有的話，那份分數的參考價值就很有限。
如果你是被學校或主管拿分數質疑，那是另一個戰場，我把自證清白的 5 個步驟和能引用的官方說法整理在這篇。
那我到底該不該在文章裡揭露有用 AI 輔助？
看場合，但我的傾向是該揭露的是流程，不是工具清單。讀者真正在意的不是你用了什麼軟體，而是「這些資訊有沒有人查證過」。與其寫一行免責，不如把查證的來源、你的判斷依據直接寫進正文——那個比任何聲明都有說服力。學術和公司內部另有規定的話，一律以規定為準。
中文有沒有像維基百科那樣的官方 AI 特徵清單？
就我查到的範圍，繁體中文目前沒有等同層級的協作指引，也沒有對應的研究整理出中文專屬的高頻詞表。所以你在中文圈看到的那些清單，多半是從英文版翻譯或個人歸納來的。這也是我在上面那段中文特徵表明講「這是我自己的觀察」的原因——沒有來源的時候，說清楚沒有來源，比假裝有來源好。
如果我完全不用 AI，還需要看這些嗎？
需要，而且理由可能跟你想的相反：你需要知道哪些特徵會冤枉你。寫得工整、文法正確、愛用破折號——這些都可能讓你被誤會。把無效指標那張表存起來，哪天真的被質疑，你至少講得出為什麼那不算證據。
寫在最後：與其猜誰用了 AI，不如問這段話有沒有人負責
拆完整份清單之後，我最大的感想是：「這是不是 AI 寫的」其實是個沒有出口的問題。證據薄弱、誤判成本高、而且判準每半年就過期一次。
真正有用的問題只有一個——這段話有沒有人負責？裡面的數字有沒有人去對過、案例是不是真的發生過、結論是不是有人願意具名承擔。這個問題不會過期，也不需要偵測工具回答。
回到開頭那位「看到破折號就退件」的主管。我後來給朋友的建議是：別去爭破折號，改問對方要什麼——是要可查證的來源，還是要有觀點的判斷。把標準講清楚，比訂一條抓不準的規則有用得多。
我自己現在的做法就是這樣：不糾結讀起來像不像，只確認每個數字都找得到出處、每個判斷我都說得出理由。想知道搜尋引擎那一端怎麼看內容品質，可以順著AI 搜尋時代還保得住流量的做法往下看；想認識我平常在折騰些什麼，也歡迎到關於我那頁逛逛。訂閱我的部落格，會不定期收到信。
參考資料
- Wikipedia:Signs of AI writing（英文維基百科編輯指引，含無效指標與歷史指標章節）
- The Economist：How to spot AI writing（2026 年 7 月，破折號使用頻率研究）
- Ars Technica：Sam Altman 慶祝 ChatGPT 遵守破折號格式規則（2025 年 11 月）
- GPTZero 官方網站
- Copyleaks 官方網站
- Originality.ai 官方網站
