为什么大模型不说人话

突然冒出来的一点小思考：

不知道最近佬们用GPT有没有一种感觉，就是这玩意越来越不说人话了，感觉很多时候，说的云里雾里的，完全看不懂。

但是你让他再解释一遍，它又能组织一段能看懂的文本了，说明模型本身是有这个能力来输出好理解的文本的，但是默认情况下他就是不这么说。

我在使用的过程中会发现这种情况，就是他输出的我看不懂的内容，我很大概率就会抛弃脑子，直接让他按照方案开搞。

但是如果输出的内容我能够理解，反而会出现把生成的内容打回去返工很多遍，直到输出符合我的预期才停止的情况。

众所周知，大模型训练现在这个飞轮，燃料很大一部分都来自我们这些对话的工程的数据。

如果完成一个任务，模型输出一段很费脑子的话，然后用户无脑确认，这个任务链就短，反之就会很长，所以是不是大模型训练的时候，学这些短程任务就很快容易得分，而带来的负面影响就是不说人话。

长此以往，随着这种数据越来越多，大模型也就越来越不说人话。这个好像和之前那个哥布林偏好一样类似的效果。