采风全网
达观天下

大语言模型写得越顺,校对的人越累

一份产品说明的初稿摆在桌上,读起来很顺:句子干净,段落有节奏,连小标题都取好了。几个人围着它逐句核对,两个小时过去,真正改动的地方只有三处措辞——剩下的时间几乎都花在同一件事上:这个参数对不对,这个流程是不是真这么走。

这有点反直觉。工具把活干得越利索,人本该越省事。实际发生的却是另一回事:文本越通顺,读的人越容易放松警惕,核对的动作被悄悄跳过;等到发现问题,稿子往往已经在要发出去的那一版里。

通顺是训练目标,不是准确承诺

大语言模型做的事,说到底是接着上文往下续。它在一段文字里判断下一个词该是什么,靠的是训练中见过的海量文本留下的统计倾向。这套机制非常擅长生产“像人话”的句子——语法稳妥,语气得体,逻辑连接词用得恰到好处。

但通顺和准确由两套不同的东西决定。前者是语言形态,后者要落到具体事实上:数字、时间、责任边界、流程顺序。模型在生成时并不会自动停下来问一句“我真的知道吗”,除非使用的人明确要求它这么做。于是不确定的地方被同样流畅的句子填满,读起来毫无破绽。

省下来的写作时间,变成了核对时间

写作这件事的成本结构正在改变。过去卡在“写不出来”,现在卡在“写得出来但不敢用”。起草环节省下的几个小时,会以另一种形式回到流程里:找人核对,找原始材料比对,再把语气调回本公司的说话方式。

麻烦在于,这部分工作常常没有明确的承担者。起草的活交出去了,核对的活却悬在空中,默认由最先读到它的人顺手完成。而顺手完成的事,通常做不彻底。

哪些场合可以放开用

把边界划清楚,用起来会踏实很多。改写、压缩、换一种说法、把零散笔记整理成段落、给一段逻辑找更清楚的表述——这些任务的目标是语言本身,人一眼能判断好坏,风险有限。

需要谨慎的是另一类:涉及具体数字、对外承诺、操作步骤、责任归属的内容。这些地方出错,代价不体现在文字上,而体现在文字之后。此时大语言模型给出的是草稿,不是结论;它可以提速度,但不该拿走判断。

让它把“不确定”说出来

有一种使用习惯值得养成:在提要求时,明确允许它说不知道,并请它标出哪些部分没有把握、依据来自哪里。多数时候它会照做,把含糊的地方单独列出来。这一步不增加多少成本,却能让人一眼看到该往哪里看。

另一个小动作是让它先复述问题。复述得对不对,往往比答案本身更能说明这次对话有没有跑偏。

回到那份初稿。它最终没有被直接采用,但确实省掉了一半的起草时间,也让讨论从“这句话怎么写”转到了“这个流程到底怎么走”——后者才是真正需要人花时间的地方。大语言模型能不能写,早已不是问题;更实际的问题是,它写完之后,由谁负责认真读一遍。

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:大语言模型写得越顺,校对的人越累
文章链接:https://tech.cfdanews.com/ai/2167.html