马嘉祺如何被人工智能技术精准识别与呈现

你有被AI“稳稳接住”过吗？

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

前阵子，ChatGPT对“哥布林”的莫名执着在国外火了一把，逼得OpenAI专门发了篇博客，研究这股“哥布林狂热”到底从何而来。他们发现，这类小习惯已经刻进了模型的“底层逻辑”，想纠正，只能在规则里硬生生加上一条：“禁止谈论哥布林”。

而在中文世界里，如果要给ChatGPT找个“祖传染色体”，那“稳稳接住”绝对榜上有名。这句话已经成了一个网络迷因，催生了大量表情包和段子。连同其他大模型那些常见的、带着浓浓“人机味儿”的表达方式，一起在互联网上病毒式传播。

但平心而论，这些话本身未必“非人”，甚至可以说情感充沛。问题出在它们被用得太多、太顺手，几乎成了条件反射式的固定回复，这才让原本可能真诚的表达，显得廉价而刻意。

如今，这个“我会稳稳地接住你”的梗，已经火出了国门。

《连线》杂志近日就刊发了一篇文章，标题直接点明：《ChatGPT在美国患上了“哥布林”狂热症，而在中国，它只想“稳稳地接住你”》。文章中提到，不止是ChatGPT，可能很快就会有更多AI模型争着抢着要“接住”你了。

另一边，国内厂商MiniMax的工程团队，则发布了一份详尽的内部排查报告，把之前闹得沸沸扬扬的“不认识马嘉祺”事件，从头到尾捋了个清清楚楚。

他们发现，模型并非真的“不认识”这位艺人，更像是“爱在心口难开”——话到了嘴边，却怎么也说不出来。当然，现在这个问题已经解决了。

ChatGPT的“贴心”口癖

无论是让ChatGPT解一道数学题，还是给它一段生成图片的提示词，你都很可能收到这样一句回复：“我会稳稳地接住你”。

这句话的英文原型“I will catch you steadily”，本意是“不管发生什么，我都会支持你”。在英语语境里，类似的“I've got you”表达轻松又自然。但直译成中文的“稳稳接住”，对于习惯含蓄表达的我们来说，就显得有些过分亲昵和用力。

更何况，它还有升级版：“我就在这里，不躲，不退，不避，不逃，稳稳接住你。”这浓度，恐怕连古早言情小说里的深情男主都得甘拜下风。

关键是，这个句式出现的频率实在太高了。听一次觉得新鲜，两次觉得别扭，三次四次就忍不住想翻白眼。甚至OpenAI在最新GPT-image-2的示例图里都玩起了这个梗：中国研究员陈博远对着生成的图片抓狂道：“它又学会了稳稳接住！”

AI写作检测工具Pangram的联合创始人Max Spero指出，这种模型死咬某个特定短语并不停重复的现象，被称为“模式崩溃”。这通常源于后训练阶段：研究人员会根据大语言模型的回答给予人工反馈，以调整其行为。

Spero解释道：“难点在于，我们很难告诉模型：‘这样写一次很好，但如果你连续用上十次，那就不是好句子了。’”

关于ChatGPT为何对这句话如此执着，《连线》杂志给出了两种比较合理的推测。

第一种，可能源于一次生硬的机器翻译。英文中的“I've got you”在中文里没有完全对应的、自然的口语表达，直译成“接住”就显得突兀。有用户翻看聊天记录发现，模型常在应该表达“理解”的语境下使用“接住”一词，这佐证了模型可能误解了该词在特定上下文中的含义。

有中国学者的研究也发现，分析ChatGPT中文回答的语言特征时，会发现它们更接近英语的写作习惯。毕竟，大多数西方大语言模型主要基于英语语料训练，即使用中文对答如流，母语者也能凭直觉感到一丝“翻译腔”——就像我们能轻易分辨一本小说是否译自外文。Pangram的创意技术专家Lu Lyu表示：“这种‘翻译腔’被带到了AI生成的中文里，比如句子冗长，或使用了一些不必要的句型结构。”

第二种解释，则与“治疗语态”的流行有关。那些原本属于心理咨询场景的专业表达，正逐渐渗透进日常对话。“稳稳接住”在成为网络梗之前，在中文语境里确实多见于心理治疗领域，意为为对方提供一个“包容的空间”，让其安全地倾诉情绪。

通过强化学习，AI模型变得越来越善于“讨好”人类，这种倾向正是“人类评估者更偏好顺从、安抚型回复”所导致的结果。正如OpenAI在“哥布林”博客中记录的，即使一个微小的奖励信号，也可能像雪球般越滚越大，最终演变为普遍现象。

此外，《连线》杂志预测，很快可能会有更多大模型加入“接住”你的行列。近期有中国用户在社交媒体上发帖称，包括Claude和DeepSeek在内的其他模型，也开始频繁使用这句话。这可能是由于训练材料相似，也可能是模型间相互学习的结果。无论如何，这句话短期内恐怕不会从我们视野中消失。

MiniMax的“舌尖”失语

聊完ChatGPT在海外引发的“接住”热，再来看看MiniMax在国内因“不认识马嘉祺”引发的技术讨论。

事情起因是一位网友在处理数据时，发现了一个有趣的“Bug”：MiniMax的模型似乎无法识别“嘉祺”这两个字。

这并非偶然。在不同接口、不同平台上，同样的问题几乎都能稳定复现。于是，“MiniMax不认识马嘉祺”“痛失粉丝群体”等调侃开始流传。甚至有人开玩笑说，以后在OpenRouter上如果遇到匿名模型，可以用这招来鉴定是不是MiniMax。

当然，这个方法现在肯定失效了，因为MiniMax在M2.7版本就已修复此问题。他们的工程团队最近发布了详细的内部排查报告，不仅把事件捋清了，还将其与之前遇到的小语种乱码问题联系起来，找到了一个直接的解决方案。

简单来说，MiniMax确认他们的M2.5模型其实是“认识”马嘉祺的。之所以“说不出口”，是因为在后训练阶段出了点小状况：“嘉祺”这个名字出现频率太低，被大量噪声数据干扰，导致模型在输出时遇到了障碍。

要理解这个问题，得先了解大模型如何处理文字。它并非直接“看到”“马嘉祺”三个字，而是先用分词器将文本切分成token（如“马”和“嘉祺”），再转换成向量进行计算，最后通过输出层从几十万个token的词表中，选出下一个最可能生成的token。

MiniMax检查发现，分词器能将“马嘉祺”正常切分和还原，说明文本转换流程没问题。问题出在“嘉祺”这个整体token属于低频词。

他们最初假设：如果模型预训练时常见的是“嘉”和“祺”两个独立token，而后训练或推理时却将“嘉祺”视为一个整体token，那么这个整体token可能因训练不足而导致生成概率极低。

然而，检查“嘉祺”的词向量范数分布后，他们发现它并不像未被充分训练的样子。接着进行语义近邻检索，发现“嘉祺”附近的token包括“亚轩”“千玺”“祺”“耀文”“嘉”等，后面还有“王一博”“徐坤”“肖战”等明星人名。这说明预训练模型不仅见过“嘉祺”，还已将其归入了合理的中文人名语义簇。

于是，问题焦点被锁定在了后训练阶段。

排查发现，后训练数据中包含“嘉祺”的样本不足5条，极为稀少。对于后训练而言，如果一个token几乎从未作为目标答案出现，它在生成端就很难获得稳定的训练信号。

但这仍无法完全解释：为何模型能理解相关信息，却唯独说不出名字？

为此，MiniMax将排查范围聚焦于模型的首尾两端：负责“看懂”词的输入侧词嵌入，和负责“说出”词的输出层。对比发现，“嘉祺”对应的输入侧词嵌入在训练前后变化不大，这解释了模型为何仍能理解其含义。

真正的异常出现在输出层。经过后训练，“嘉祺”在输出空间中的向量位置发生了显著漂移，其与训练前的余弦相似度大幅下降，变化幅度在整个词表中排名靠前。这意味着，经过指令微调后，“嘉祺”在输出空间里的定位被严重扰乱了。

更直观的证据来自近邻结构分析。在预训练阶段，输出层中“嘉祺”附近的token多是语义相关的人名。而在后训练之后，其周围涌入了大量特殊标记和噪声token。“嘉祺”在输出空间中的邻居，从一群中文人名，变成了人名、工具标记、乱码混杂的状态。

这就是“认识但说不出”的技术根源：输出空间的局部结构被挤压污染，导致模型生成时无法稳定选中目标token，它可能被采样过滤掉，也可能被邻近的错误token替代。

进一步扩大检查范围后，MiniMax发现类似的漂移现象并非个例，一些低频词、小语种token同样存在。这也解释了此前M2.5处理日文等小语种时偶尔混杂其他语言的问题——两者很可能是同一机制的不同表现：某些token在后训练中覆盖不足，其输出表征就会发生漂移，与其他token在空间中混淆，导致该生成的词出不来，不该出现的词却被错误激活。

那么，如何解决呢？答案朴素得有些令人意外：类似“罚抄”。

MiniMax没有简单地只为“马嘉祺”补充几条数据，那样只能修补一个点。他们想验证：如果问题源于词表覆盖不足，能否通过提升整个词表在后训练中的曝光度来系统性修复？

于是，他们构造了一批“词表覆盖合成数据”：将全部20多万个token随机分组，每组约8000个，打乱后构成对话样本——用户请求是“请重复以上内容”，助理回答则原样复制。总共生成约500条对话，确保每个token至少作为生成目标出现20次。

这个设计为每个token的生成频率设置了下限保障。即使某个token在正常指令数据中极少出现，也不会在后训练中完全丢失输出侧的训练信号。

结果证明有效。加入这些覆盖数据后，模型不仅能正常说出“马嘉祺”，此前一些低频词丢字、替换的问题也被修复，小语种混杂现象同样得到明显缓解。这正应了那句老话：好记性不如烂笔头。看似复杂的工程难题，有时只需要最朴素的解决方案——记不住生僻词，那就多抄几遍。

下一个问题

将ChatGPT的“稳稳接住”与MiniMax的“不认识马嘉祺”放在一起看，会发现它们并非两个孤立的笑话，而是指向了大模型能力拼图中两个不同的脆弱环节。

一个关乎表达风格：模型过于偏爱某种能获得高奖励、高安全感的“贴心”句式，并滥用至泛滥，最终从有效的“情绪支持”滑向令人出戏的“人机味”。

另一个关乎生成机制：模型在输入侧能理解某个token，却因后训练覆盖不足导致输出侧表征漂移，从而“卡在嘴边”说不出来。一个像是“说得太顺”，另一个像是“说不出口”。

但它们都在提醒我们：大模型的语言能力并非一个浑然天成、均匀可靠的完整体，而是由预训练、分词、后训练、奖励建模、输出层等多个环节拼接而成的结果。任何一个环节出现微小偏差，都可能在最终的用户交互中，放大成一个具体而滑稽的现象。

“稳稳接住”背后，是模型如何学习并内化人类偏好，如何在安全、友好与共情之间找到恰当边界。如果一个表达因短期反馈好就被反复强化，成为通用“话术补丁”，那暴露的是后训练中对“好回答”的定义仍不够精细和场景化。

“不认识马嘉祺”则揭示了长尾、低频token在后训练中被稀释、漂移，导致“理解”与“表达”之间产生割裂。这暴露了模型在应对稀有词、小语种及复杂token组合时的稳定性短板。

从用户视角，这些问题成了传播热梗；从工程视角，它们则是观测、复现并修复模型行为的宝贵入口。

大模型竞争发展到今天，早已超越单纯的知识量与速度比拼。真正的难点，在于让它在纷繁复杂的语言、文化与场景中，都能做到稳定、自然且恰如其分的表达。

不该“稳稳接住”的时候，别强行接住。该说“马嘉祺”的时候，也别卡在嘴边。这或许就是当下AI语言模型走向成熟所必须通过的考验。