你刷着 LinkedIn，看到一行字：”这不是一门课程。这是一场蜕变之旅。”你滑到下一条：”我们卖的不是产品。我们打造的是体验。”再下一条：”我不是顾问。我是变革的建筑师。”
你大概会想：这一定是 AI 写的。你说对了。但你想不到的是，这种”不是X，而是Y”的句式有一个两千岁的名字——epanorthosis（修正辞格），是西塞罗和昆体良在古罗马就编目过的古典修辞手法。一个连”修辞”是什么都不知道的语言模型，为什么会系统性地复现一种两千年前的修辞技巧？
Federico Boggia 在 2026 年 7 月的论文《Artificial Epanorthosis》里，把这个现象挖到了底。
一个一旦看见就难以忽视的痕迹
Epanorthosis 的希腊词源是 epi（在……之上）加上 anorthosis（矫正），字面意思是”再矫正一次”。说话人刚说完一句话，立刻回头修正它，用一个更强、更庄严、更上档次的词替换掉原来的词。古典修辞学把它分成三种用法：
– 强调式修正：用一个更强的词替换原词——”他很好，不，是卓越”。 – 弱化式修正：用一个更温和的词替换原词——”我要杀了你，好吧，至少骂你一顿”。 – 重新定义式修正：把刚说的整个概念推翻重述——”这不是课程，是蜕变之旅”。
第三种是 LLM 最爱用的。Boggia 指出，这种句式在 chatbot 回答、LinkedIn 励志帖、营销文案里已经泛滥成灾，”一旦看见就难以忽视”。
问题出在哪：不是生成机制，是训练偏好
一个自然的猜想是：这是自回归模型从左到右生成的副产物——模型先说一个词，再修正它，很自然。但 Boggia 论证说，这只是放大器，不是根因。
真正的根源有两个：
第一，训练分布里全是营销文体。 互联网上”不是X，而是Y”密度最高的语料是什么？广告、营销软文、LinkedIn 帖子、TED 演讲稿。模型从这些语料里学到了”这种句式听起来有力量”。
第二，RLHF 在奖励它。 偏好调优（RLHF）让人类标注员给”自信、强调、有感染力”的回答打高分。Epanorthosis 恰好是制造强调和感染力的最低成本工具——一句话就能把平庸的陈述升级为金句。标注员的偏好被内化为模型的生成倾向。
证据是：基础模型（base model）的 epanorthosis 密度低于指令微调模型（instruction-tuned），而且模型越大密度越高。如果是生成机制的副产物，基础模型应该也一样高。但事实是，训练阶段越往后，这个痕迹越重——这说明是训练在强化它，而不是架构在产生它。
Epanorthosis 指数：把”味道”变成数字
Boggia 的核心贡献之一是提出了一个可测量的指标：Epanorthosis Index——模型在某个文体中 epanorthosis 的密度，除以人类在同等文体中的密度。指数为 1 表示和人类一样，大于 1 表示过度使用。
他在三个尺寸的同一指令微调模型家族上做了测量，结果揭示了一种”按文体错配”的现象：
– 演讲体：模型 overshoot 约 2 倍，意大利语甚至接近 3 倍，且集中在更大的模型层级 – 非正式问答：模型 undershoot，比人类用得更少 – 论证、新闻、百科：模型和人类差不多
这个发现很关键。它说明模型不是”无脑多用 epanorthosis”，而是在应该克制的地方过度使用，在可以用的地方反而不用——一种按文体的系统性误校准。大模型尤其严重，说明 scale 放大了误校准而不是修正它。
缓解：一行指令砍掉一半，LoRA 几乎消除
Boggia 测试了三种缓解手段，在意大利语上做了实验：
一行指令：在 prompt 里加一句”不要使用’不是X，而是Y’这种修正句式”。效果：密度下降 50% 到 75%。简单粗暴但有效，说明这种倾向是可以通过指令控制的。
LoRA 微调：用一个小规模的监督微调适配器（LoRA adapter）训练模型减少 epanorthosis。效果：几乎完全消除。更重要的是，LoRA 有一个缩放系数（scaling coefficient），可以像旋钮一样把减少量调到正好回到人类基线——不是消灭，而是校准。
目标不是消灭，是校准：这是 Boggia 反复强调的观点。Epanorthosis 本身不是坏东西，西塞罗用它、丘吉尔用它、好的演讲都需要它。问题是密度失控——在不需要的地方也滥用。正确的目标是让模型在每种文体里的 epanorthosis 密度回到人类基线。
真正的风险：我们开始像机器一样写作
论文最后一句值得原文引用：”真正的风险是我们开始像机器一样写作。”
这不是危言耸听。当 LLM 生成的文本充斥互联网，当学生用 ChatGPT 写论文、营销人员用它写文案、求职者用它写求职信，epanorthosis 的密度会通过”人类模仿 AI 文本”这个反馈循环持续放大。我们已经看到 LinkedIn 帖子越来越像 chatbot 输出——不是人类在用 epanorthosis，是人类在模仿机器的 epanorthosis。
Boggia 的论文做了一件难得的事：把一个”感觉不对劲”的现象变成了可测量、可归因、可缓解的科学问题。Epanorthosis 指数是一个简单的工具，但它把”AI 味”从模糊感觉变成了具体数字。当你可以测量它，你就可以控制它。
两千年前的修辞学家如果知道，他们编目的技巧被一个不懂修辞的统计模型系统性地复现，大概会觉得这本身就是一次 epanorthosis：不是人类在用修辞，是修辞在用人类。
—
论文：Federico Boggia. Artificial Epanorthosis: Why large language models overuse a classical rhetorical figure, and how to mitigate it. arXiv:2607.21498, 2026. 链接：https://arxiv.org/abs/2607.21498