什么是 AI slop？定义与示例

读三段，里面没有任何问题。语法成立。衔接连贯。语体适合该场合，而且其中的每一项主张都站得住脚。再读第四段，真正的问题就出现了，那就是你无法把刚刚读到的任何一句话复述给别人。

AI slop 是为这种体验固定下来的名称。用一句话定义什么是 AI slop, 就是, 以极低成本生成、满足其所属文体所有表层要求、却几乎不包含读者可用信息的内容。这个词最初是用来描述图像和搜索垃圾信息的。此后，它已经成为描述散文中某种特定失效的最精确术语，而把定义弄准确是值得的，因为一个只意味着“我不喜欢的写作”的词，对手里有截止日期的编辑毫无用处。

什么是 AI slop? 一个工作定义

必须同时满足三个条件。文本的每个词成本都极低，无论是由模型生成，还是由人以自动驾驶式状态写出。它足够流畅，能够通过快速浏览，因此问题在句子层面保持不可见。并且，相对于其长度，它的信息密度很低，这意味着，读完它的读者所掌握的信息，不会比只读到开头段落就停下的读者更多。三者中去掉任何一个，这个词就不再适用。语法不通的写作不满足第二个条件。信息密集、难度很高的研究论文不满足第三个条件。

同一定义也把 slop 与它常被混淆的两种东西区分开来。错误信息是假的，而 slop 可以完全准确，却仍然是 slop，因为准确性与信息量是不同的属性。垃圾信息在意图上具有欺骗性，而 slop 往往是由真诚写下的，写作者确实相信草稿已经完成。其下层的句子层面习惯，也就是让一段文字显得有机器感的词汇和节奏，已在 TextPulse 对 AI 写作模式的解析 中加以归纳。本文讨论的是这些习惯合在一起意味着什么。

这个词从哪里来

将 slop 视为低质机器输出的含义，随着图像生成器在 2022 年变得广泛可用，迅速出现在网络社区中，而 Wikipedia 关于该术语的条目将这种早期用法追溯到论坛和评论串，而不是任何出版物。英国程序员 Simon Willison 在 2024 年 5 月于他的博客上公开主张使用这个词，并且后来表示，在他推动它之前，这个词就已经在流通。随着机器生成的摘要出现在搜索结果顶部，到了那一年第二季度，使用量继续上升。

到 2025 年底，这个词已经远远超出论坛。Merriam-Webster 将 slop 评为其 2025 年年度词汇，美国方言学会也选择了同一个词。其背后的隐喻确实具有分析价值，在阅读任何可疑内容时都值得记住。slop 是廉价饲料，大量生产，只填充不滋养。其每一部分都能对应到文本, 单位成本接近零，输出实际上无限，而读者感到饱足，却什么也没有学到。

使文本读起来像 slop 的四个症状

冗词首先出现，因为一旦知道要看什么，它最容易被看出来。一个三十四个词的句子可以缩减为九个，而不失去一个命题。其余二十五个词只是走过场，从未承载任何内容。为此有整套结构, 先用一个短语宣布主题，再去命名它，或者用一个分句报告有若干因素在起作用，却不说明究竟是哪一些。冗词是拼写检查器永远抓不到的症状，因为每一个冗长的句子都是语法正确的句子。

第二种是层层叠加的保留语气。研究写作之所以使用保留语气，自有充分理由。一个谨慎的方法部分充满限定性表述，因为其中的不确定性是真实存在的。但 slop 在没有任何不确定性的地方也使用保留语气，而且对同一个主张不止保留一次。一个发现上有三个限定词，只会让读者什么发现也得不到，只剩下一个发现的轮廓。

第三种是对上文段落进行重述的总结。它通常先用指代前文的方式开头，然后用不同的名词承载上一段的内容。这里面没有任何虚假之处，也没有任何新内容。在一篇不足一千字的文章里，没有任何读者会需要在四百字处再看一遍摘要，这正是这一症状成为判断草稿如何拼凑而成的可靠信号的原因。

第四种是没有增加任何内容的结尾段。它要么暗示该领域未来将继续发展，要么只是把引言改成了另一种时态。真正的结论会指出论证所推出的后果，说明什么会改变作者的看法，或者给读者一些可执行的事情。一个什么都没有做到的结尾段，是 slop 最后藏身的地方，因为读者很少会仔细阅读结尾到足以察觉这一点。

Slop 及其修复，并列比较

下表逐一列出每一种症状，展示它在草稿中的呈现方式，并说明编辑会如何处理它。这些修复都不是同义替换。每一种要么明确陈述句子原本试图绕着表达的命题，要么因为句子根本没有命题而将其删除。

症状	在草稿中的呈现方式	编辑会如何处理
Padding	为了利用一个全面的框架，首先有必要考虑可能起作用的广泛因素。	指出这些因素，说明框架涵盖哪些因素，并删去铺垫部分
Stacked hedging	结果可能有可能表明某种程度上的一种可能影响。	最多保留一个限定语，然后说明该限定语所涉及的数值
Vague authority	研究表明，这种方法被广泛认为是有效的。	指出这些研究、年份和效应大小，或者删去这一主张
The restating summary	如上所述，这些发现强调了前面讨论的因素的重要性。	删去这句话。这些发现已经陈述过一次了
The empty close	总的来说，这仍然是一个不断发展的领域，今后还会继续发展。	删去这一段，并以最后一个值得保留的发现作结
Borrowed register	本文将利用一系列视角来解析这一主题。	说明本文主张什么，并使用作者会在口头表达中使用的词汇

其中有两项修正属于词语层面，软件处理起来比人更快。TextPulse 的 免费 AI word cleaner 会标出那些堆积在填充性段落中的正式、信息量低的词汇，从而清理表层，使下方的结构性症状显现出来。其余四项则需要一位知道这篇文章本来想论证什么的读者。

冗余：段落层面的版本

清嗓式开头

清嗓式开头是一个部分的第一段，其全部内容只是说明这个主题存在，人们已经研究过它，而且它很重要。它常常以一个不指明日期的时间参照开头。它在最后一个分句才触及真正的主题，如果它最终触及的话。跳过这一段的读者，读到第二段时已经掌握了所需的一切。

它之所以在编辑中得以保留，是因为它看起来像背景，而背景确实是读者有时需要的东西。二者之间的差别是可以检验的。真正的背景会缩小问题范围，或者告诉读者一些他们原本不知道的事情。清嗓式开头只是宣布该部分的主题，而标题已经做过这一点，而且做得更好。要删掉它，就删除这一段，然后从下一段开始读。如果某个术语确实需要定义，就在该术语第一次出现的分句中定义它，这一段仍然可以删去。

复述，以及编辑为何会漏掉它

复述段落只是用不同的名词把上面那一段再说一遍。有时它表现为部分中段的回顾，为一个九十秒前刚读过四百个词的读者做总结。有时它更隐蔽一些, 同一个主张从抽象转向具体，或者反过来，但这种移动并没有附带任何新的命题。

编辑会漏掉它，因为其中每个句子都没有问题。没有语法错误需要纠正，没有歧义需要追问，也没有任何校对流程原本就是为了捕捉这种问题而设计的。有效的检查是机械性的。把这两段并排放置，标出每一段中的每个命题，也就是每一条可能为真或为假的陈述。如果第二段不包含第一段所没有的任何命题，就删除它，只保留那个确实带来新内容的分句。

从未拆除的脚手架

支架句式会先宣布作者即将要做什么，而不是直接去做。它们先以一个框架开头，给出这个框架，然后在从句中，或者在后面的句子里，才到达论点。常见的框架包括"It should be noted that"、"This section will discuss"和"In terms of"，每一种都把论点在语法上再推远离读者一步。整整一段这样的句子，描述的是一段从未写出来的段落。

删除框架只完成了一半修复，因为句子原本是围绕这句宣布而建，而不是围绕论点而建。先把论点提到前面，然后检查句子是否仍然需要其余部分。逐词检查可以迅速找出这些框架，而TextPulse的免费 AI 词语清理器会标出它们所拼接而成的正式连接词汇，这就把问题的结构层面显现出来。

为凑字数而写出的段落

这种段落的可识别之处，在于它引入了什么，却从不回到那里。一个新的名词短语出现，得到一句礼貌性的关注，然后再也不被提及。段落列出的是若干考虑，而不是提出一个论点。它始终在回避，因为一个从未提出的论点就无法被辩护，而这种回避正是在替代辩护。

这里的检验标准是可证伪性，并且要逐句应用。问一问段落中的哪一句可能是假的。如果没有一句可能是假的，那么其中没有任何内容被断言，长度就是它唯一贡献的东西。这是最可能出现在任何按目标字数写成的文本中的那种空话，不论作者是谁，这也就是为什么在初稿中，字数和质量总是如此稳定地相互牵制。

如何在不削弱论证的情况下删去空话？

自上而下处理。先使用删除测试删除整段内容，然后重新阅读以检查连贯性，并修补两个保留下来的段落现在并置时出现的衔接处。只有在这之后，才应逐句处理。反过来做会把句子层面的工作花在即将被删去的段落上，这正是一次冗词清理常常耗时三小时，最后返回的草稿长度与开始时相同的最常见原因。句子层面的工作之后仍然必须进行，而 TextPulse's AI humanizer 负责这一层，报告的是根据文本计算得出的估计 Human Score，而不是任何检测器给出的裁定。

冗词类型	表现方式	测试	处理方法
清嗓式开头	第一段先说明主题存在且已被研究	删去它，并从下一段开始阅读	删去它，并在该术语首次出现处定义任何需要的术语
重述	一段用不同名词重复其上一段的内容	标记两段中的每一个命题，然后比较	删去第二段，保留任何承载新命题的从句
支架句	在命题到来之前先宣布该命题的框架	移除框架，看看是否还剩下命题	把命题前置，并删去框架
字数段落	列出若干考虑因素，没有任何断言，全程都在回避	问其中哪一句可能是假的	删去它，或者写出它一直在回避的那一个命题
延后解释	承诺稍后在文章中解释某事	寻找承诺被兑现的地方	把解释移到该术语首次出现处，并删去承诺

正确地删减会把文本压到目标字数以下，而这正是大多数作者会把冗词再加回去的时刻。应当把省下来的词数用在那些冗词原本替代的主张上，也就是数字、反例，或者与已引用研究相矛盾的研究。TextPulse 的 在论文中减少字数的指南 以章节尺度处理同样的取舍，在那里，恢复被删材料的压力最强。

把这一点用于他人的页面是一种技能，把它用于自己的页面则是另一种技能。判断某些内容是否由 AI 写成 在单独的页面中有说明，而更令人不适的问题，你自己的写作是否听起来像它，也同样如此。

取出你最后起草的那一节，在不重新阅读的情况下删去其开头段落。如果你在读到下一段结尾时仍说不出少了什么，那么那个开头就是冗词，而且很可能，文件中其他每一节的开头也都是冗词。

Slop 与糟糕写作是同一回事吗？

不是。糟糕写作在表层就已经失败了, 可能不清楚、语法错误，或者组织得极差，以至于读者跟不上脉络。Slop 则通过了表层，却在更深层失败。实际后果比定义更重要。逐句工作的校对者会把一份 slop 草稿几乎原封不动地退回，因为在句子层面没有什么可改的，而这正是 slop 能在那些本会撕碎真正糟糕散文的编辑轮次中存活下来的原因。结构性编辑会抓住它，而 TextPulse 的 编辑论文的指南 正是在这一层面上发挥作用。

Slop 也不同于一般的 AI 辅助写作。一个研究者先用模型起草，再删去模型填充的内容，核对每一条引文，并提出一个模型绝不会采取的立场，最后得到的东西内部是有论证的。Slop 则是在这一过程的后半段从未发生时出现的结果。对于自己的作品曾被误认为是 slop 的作者，TextPulse's AI humanizer 会根据文本本身计算一个估计的 Human Score，而不是依据任何检测器给出裁定。

同一问题更狭义的术语是 fluff，其定义见另一页。如果你想要的是一种可操作的方法，而不是一个标签，判断某物是否由 AI 写成 一文提供了一个方法。

用手遮住任意一段文字，并大声说出它为论证增加了什么。如果什么也想不出来，那一段就是 slop，不论是谁或什么生成了它。这个测试只需十秒，毫无成本，而且它从来不在乎涉及的是哪一个模型。