加载失败
这是一篇 Show HN 提交，声称对 178 个 AI 模型的写作风格做了“指纹化”分析，并把相似模型聚成簇。讨论里提到它似乎把风格压到 32 维特征空间里做比较，还拿 Gemini（Google 的大模型）和 Claude（Anthropic 的大模型）等模型做相似度对照。评论区一边怀疑这种结论缺少 prompts、样例和方法说明，一边又认为这种分析可能揭示蒸馏、训练谱系或统一的 RLHF 文风。围绕“模型写作像不像”这个题目，大家实际争的是：风格相似到底说明了什么，以及选模型时该看风格、能力还是事实性。
有人认为这类结果如果不公开 prompts、responses 和具体评分方式，就很难判断到底测到了什么。评论指出，很多相似度数字和他们在真实使用中的感受并不一致，因此“高相似度”未必代表可替代性。把“便宜模型和贵模型写法差不多”直接推成“你只是在为品牌付费”，也被认为跳得太远。整体上，这一派的核心担心是：没有可复核样例，数字更像是漂亮但空泛的 benchmark。
另一部分评论认为，这个工具反而可能很有价值，因为它也许能暴露模型之间的蒸馏、参数借用或训练谱系关系。有人推测 32 维特征可能来自 principal components，真正关键的是 prompts 是否做了正交化设计，否则聚类会被 prompt 选择偏置。也有人把“典型 AI 文风”解释为 RLHF（基于人类反馈的强化学习）留下的统一口吻，或者是为了避免 model collapse（模型坍塌）而形成的风格收敛。对这些人来说，这不是终局结论，而是研究模型家族关系的一种线索。
不少人强调，写作风格像不像并不是选模型的关键，真正重要的是它能不能理解需求、给出有用答案。做写作辅助时，如果模型抓不住意思，最后还是得自己重写，因此“外观相似”不能替代“可用”。还有人直接拿 Gemini（Google 的大模型）和 OpenAI、Anthropic 的模型比较，认为自己场景里 Gemini 更少胡编，可能更“calibrated”，也可能和更好的数据或更多 RAG（检索增强生成）有关。这个角度把讨论从“文风相似”拉回到推理、事实性和实用性。
评论区对页面本身也很不耐烦：深色背景加低饱和配色让内容难读，分段标题也被认为很劝退。有人进一步怀疑这类提交带有明显的自我推广痕迹，甚至把它归类为 spam。再加上文章措辞被批评像 AI 口吻、像“AI slop”，让很多人先入为主地对内容质量失去耐心。于是讨论不只是在质疑模型，还在质疑这篇发布本身是否值得信任。
蒸馏模型（distilled model）: 把大模型能力压缩到更小模型中的产物，通常能保留部分表层风格，但可能损失推理和连贯性。
RLHF: Reinforcement Learning from Human Feedback，利用人类反馈优化模型输出，常被认为会塑造统一的“助手口吻”。
model collapse: 模型坍塌；当大量 AI 生成内容反过来进入训练集时，模型输出可能逐渐同质化并退化。
RAG: Retrieval-Augmented Generation，检索增强生成；生成前先检索外部资料，以提升事实性并减少幻觉。
principal components (PCA): 主成分分析；一种把高维特征压缩成少数维度的统计方法，常用于聚类和可视化。