Что такое речевые маркеры LLM и зачем их искать
Речевой маркер (в англоязычных публикациях его называют tell, то есть выдающий признак) это слово, фраза или синтаксическая конструкция, которая встречается в текстах языковой модели минимум вдвое чаще, чем в текстах людей. Порог в два раза выбран как рабочий критерий: всё, что ниже, тонет в статистическом шуме и не годится для выводов.
Graphite, маркетинговая компания, которая занимается в том числе видимостью брендов в ответах AI-поиска, собрала 13 000 таких фраз. Из этого списка и выросло исследование речевых привычек передовых моделей, о котором пишет публикация о 13 тысячах маркеров текстов ИИ.
Практических причин искать маркеры три. Детектирование AI-текста: частотные признаки помогают отличить машинную генерацию от человеческой, хотя гарантии не дают. Оценка качества генерации: если модель вставляет «this matters» в каждый второй абзац, текст звучит шаблонно, и это измеримый сигнал, а не вкусовщина. Понимание эволюции моделей: набор маркеров меняется от версии к версии, и по нему видно, что именно лаборатории правят в стиле.
Границы метода стоит держать в голове с самого начала. Маркер это вероятностный сигнал, а не доказательство. Человек может написать «this matters», а модель может ни разу не использовать свой типичный оборот. Насколько хрупки автоматические оценки, видно по эксперименту с детекторами AI-текста: при пороге, который ловит 80% машинных текстов, ложные срабатывания на человеческих доходят до 47-73%.
Как Graphite сравнивала людей и модели: методология исследования
Схема простая по идее и аккуратная по деталям. Контрольная группа: 10 000 статей, опубликованных до выхода ChatGPT. Экспериментальная группа: те же материалы, переписанные разными моделями. Дальше сопоставлялась частотность слов и конструкций, по каждой фразе считалось, насколько чаще она встречается у модели, чем у людей. Дизайн эксперимента описан в материале TechCrunch об исследовании.
Почему корпус до ChatGPT - важная деталь
ChatGPT вышел в конце 2022 года и запустил массовую генерацию текста. Всё, что опубликовано после, с высокой вероятностью содержит примеси машинного письма: кто-то переписывал статью через модель, кто-то добивал абзацы генерацией. Если взять такой корпус как «человеческий», маркеры размоются, ведь в контрольную группу попадут те же самые обороты. Статьи до 2022 года дают более чистый срез человеческого письма.
Абсолютной чистоты здесь нет и быть не может: генеративные модели и шаблонные тексты существовали и раньше. Но требование «до ChatGPT» убирает основной источник загрязнения. Насколько остро стоит проблема синтетики в обучающих данных, показывает разбор чистого претрейнинга: по состоянию на июль 2026 года крупных LLM, обученных исключительно на человеческих данных, нет.
Зачем модели переписывали статьи по кратким изложениям
Если дать модели исходную статью целиком, она начнёт копировать формулировки источника. Тогда частотный анализ покажет не привычки модели, а язык автора оригинала. Поэтому переписывание шло по кратким изложениям: саммари задаёт содержание, но почти не навязывает формулировки, и модель строит текст сама.
Ограничения у схемы остаются, и о них лучше знать заранее. Выборка ограничена жанром статей, в неё не попали диалоги, код или техническая документация. Результаты привязаны к конкретным версиям моделей и могут не переноситься на другие. Часть исходной публикации в источнике обрывается, часть цитат содержит пропуски, так что отдельные детали эксперимента остаются неполными.
Главные маркеры Claude Opus 5.5: «dependable» и «this matters»
У Claude Opus 5.5 два выраженных признака. Первый: слово «dependable» («надёжный») встречается в выборке в 23 раза чаще, чем в человеческих текстах. Второй: риторика значимости. Фраза «this matters» («это важно») попадается в 116 раз чаще, а конструкция «why X matters» («почему X важен») в 92 раза чаще.
«Dependable»: почему именно это слово стало главным маркером
«Dependable» не входит в число самых частотных английских прилагательных, и в этом вся суть. Редкое слово с 23-кратным превышением видно сразу, а частотное служебное слово при таком же перекосе заметить куда сложнее. Именно поэтому «dependable» удобно использовать как индикатор.
Почему модель полюбила это слово, Graphite прямо не объясняет. Правдоподобная версия связана с обучающими данными: в текстах о продуктах, сервисах и инфраструктуре постоянно подчёркивается надёжность, а подкрепление на этапе тонкой настройки закрепляет вежливую уверенную лексику. Это предположение, а не измеренный факт, и проверять его стоит отдельно.
«This matters» и «why X matters»: риторика значимости
Вторая привычка заметнее первой. Opus 5.5 постоянно объясняет, почему что-то важно, вместо того чтобы просто сообщить факт. Конструкция строится по одному шаблону: утверждение, затем подчёркивание его значимости. Примеры типичных зачинов: «This matters because...», «Why does this matter? Because...», «And that matters for anyone who...».
Отдельно Graphite отмечает смену синтаксических предпочтений. Конструкцию «it's not X, it's Y» Opus 5.5 сейчас избегает, зато регулярно использует схему «is more than an X, it's a Y»: тема подаётся как нечто большее, чем кажется на первый взгляд. Шаблон другой, приём тот же, текст получает дополнительный вес без новых фактов.
Все цифры здесь взяты из выборки Graphite по конкретной версии модели. Это не универсальная константа, а срез на момент исследования.
Маркеры OpenAI Astra: «another dimension», «may provide» и corrective framing
Astra выдаёт себя иначе. Её главный признак Graphite называет corrective framing: тема сначала определяется через отрицание простой формулировки («not simply X»), а затем подаётся как альтернатива («rather than relying on X»). Такие конструкции встречаются в текстах Astra более чем в 100 раз чаще, чем в человеческих. У Opus в это время на первом месте риторика значимости, у Astra на первом месте переопределение.
Corrective framing: «not simply X» как способ переопределить тему
Механика такая. Модель берёт общепринятое описание, объявляет его недостаточным и предлагает более сложное. Выглядит это как интеллектуальная точность, а на деле превращается в повторяющийся речевой жест: почти каждый абзац начинается с отказа от простой версии. Читателю достаётся меньше конкретики, потому что часть текста уходит на переопределения.
Практический признак для редактуры: если из абзаца можно выбросить первую половину и смысл не пострадает, вы, скорее всего, смотрите на corrective framing.
«May provide» и «can provide»: осторожность как стиль
Вторая черта Astra это хеджирование. Действие описывается через «may provide» или «can provide»: модель не утверждает, что что-то даёт результат, а сообщает, что оно может его дать. Осторожность особенно заметна рядом с описанием «another dimension» темы, когда текст разворачивает ещё один ракурс вместо ответа по существу.
Такая лексика типична для моделей, прошедших выравнивание с акцентом на безвредность ответов. Механику ложной уверенности и обратной стороны этого процесса разбирает материал о том, почему LLM ошибаются уверенно: хеджирование и категоричность уживаются в одной модели, просто в разных контекстах.
Длинное тире: как модели целенаправленно избавляются от самого известного маркера
Длинное тире (em-dash) было самым узнаваемым признаком AI-текста. Сейчас картина другая. В выборке Graphite Opus 5.5 использует этот знак на 99% реже, чем Opus 5. Astra ставит его на 88% реже, чем человеческие тексты. Gemini 3.1 Pro почти полностью исключил длинное тире из генераций. Цифры приводит TechCrunch со ссылкой на исследование Graphite.
Резкое падение по одной конкретной пунктуации выглядит как результат целенаправленной работы лабораторий: признак был слишком известен, чтобы оставлять его без изменений. Практический вывод простой. Если вы до сих пор считаете длинное тире надёжным маркером машинного текста, вы работаете с устаревшей эвристикой и будете ошибаться на современной генерации.
Снижается ли общее число маркеров: что говорит Грег Друк
Директор Graphite по ИИ Грег Друк сформулировал главный вывод исследования в комментарии для TechCrunch: «It's not like the tells are decreasing. They are managing to remove the most well-known tells, but other ones pop up. And every model version has its own». В переводе: число маркеров не падает, лаборатории убирают самые известные признаки, но на их месте появляются другие, и у каждой версии модели свой набор.
Ту же мысль Друк развивает, объясняя, почему полное устранение признаков маловероятно. Модели огромны, у них миллиарды параметров, а число тестов, которые можно провести, ограничено, поэтому контролируют стиль меньше, чем можно ожидать со стороны. Иными словами, «чистка» промптов и правки после обучения убирают конкретные обороты, но не устраняют причину их появления.
Claude ближе к людям, GPT дальше: наблюдение Друка
Отдельное наблюдение касается направления движения моделей. По словам Друка, Claude-модели со временем становятся ближе к человеческому распределению слов, а модели GPT от него отдаляются: «It turns out that Claude models are actually getting closer to the human word distribution over time. And for the GPT models, it's getting further away».
Связь с маркерами здесь не прямая. У Claude набор признаков продолжает меняться, но общая статистика лексики сдвигается в сторону человеческой. У GPT-моделей смещение идёт в обратную сторону, и типичные обороты сохраняются дольше. Вывод из одного исследования, а не закономерность для всей индустрии: версии моделей обновляются быстрее, чем успевают проверить их стиль.
Что говорят Anthropic и OpenAI: заявления против данных
Anthropic при выпуске Opus 5.5 заявляла, что модель «communicates more naturally than prior models», а ранние пользователи, по формулировке релиза, «found its writing clearer and easier to follow». OpenAI делала похожие заявления при выпуске версий GPT-6 Sol и Luna: пользователи могут рассчитывать на меньше жаргона и меньше странных речевых оборотов.
Данные Graphite этим заявлениям не противоречат напрямую, но и не подтверждают их в полном объёме. Текст действительно меняется, длинное тире исчезает, часть оборотов уходит. Проблема в другом: место убранных признаков занимают новые, и «естественнее» тут означает «иначе», а не «неотличимо от человека». Разрыв между формулировками пресс-релизов и измеримыми признаками стоит учитывать при чтении анонсов новых версий.
Оговорка по источнику: сообщение об OpenAI в исходной публикации обрывается, а часть цитат приведена с пропусками, поэтому детали заявлений GPT-6 Sol и Luna в полном виде недоступны.
Как использовать знание маркеров на практике
Маркеры дают четыре рабочих сценария: проверка авторства текста, редактура генераций, настройка промптов и сравнение моделей между собой. У каждого есть ограничения, и обходить их молча не стоит.
Детектирование AI-текста: маркеры как один из сигналов
Частотный признак усиливает подозрение, но не заменяет доказательство. Если в тексте «this matters» встречается в разы чаще нормы или каждый абзац начинается с переопределения темы, это повод присмотреться. Человек тоже может использовать эти обороты, особенно если он копирует стиль или работает в жанре, где принято подчёркивать значимость.
Для формальной проверки текстов этого мало, и здесь полезно знать, как устроены технические метки: Anthropic маркирует тексты Claude водяными знаками на базе SynthID-Text, и такой паттерн живёт в выборе слов, переживая частичную редактуру. Речевые маркеры и водяные знаки решают разные задачи и не заменяют друг друга.
Редактирование и промптинг: как убрать маркеры из текста
Порядок действий для своей модели выглядит так:
- Собрать собственный список маркеров. Возьмите 20-30 своих генераций на близкие темы и посчитайте повторяющиеся связки: они видны глазами без частотного анализа.
- Проверить текст по списку перед публикацией. Отдельно ищите конструкции, которые отдают шаблоном: объяснение важности вместо факта, отрицание простого определения, парные хеджи «may provide».
- Заменить или удалить. Часть фраз уходит без потери смысла, часть превращается в конкретное утверждение.
- Задать ограничения в промпте: явно перечислить нежелательные обороты, например
this matters,dependable,another dimension,not simply.
Полная зачистка маркеров может сделать текст суше и менее естественным: некоторые обороты исчезают вместе с плавностью изложения. Разумная цель не идеальная чистота, а отсутствие навязчивых повторов.
Сравнение моделей по маркерам тоже работает, если помнить о переносимости. Набор признаков зависит от версии модели, промпта, языка и жанра. Маркеры, собранные на английских статьях, не переносятся автоматически на русскоязычную генерацию: в другом языке распределение слов и конструкций будет своим.
Что в итоге: маркеры не исчезают, а мигрируют
Главный результат исследования Graphite помещается в одну мысль: разработчики убирают известные речевые признаки, но на их место приходят новые, и у каждой версии модели они свои. Длинное тире как индикатор машинного текста отработало: Opus 5.5 ставит его на 99% реже предыдущей версии, Gemini 3.1 Pro почти отказался от знака. Вместо этого остаются куда менее заметные «dependable», «this matters» и corrective framing у Astra.
| Модель | Маркер | Частота относительно человеческих текстов |
|---|---|---|
| Claude Opus 5.5 | dependable | в 23 раза чаще |
| Claude Opus 5.5 | this matters | в 116 раз чаще |
| Claude Opus 5.5 | why X matters | в 92 раза чаще |
| OpenAI Astra | corrective framing (not simply X, rather than relying on X) | более чем в 100 раз чаще |
| OpenAI Astra | длинное тире | на 88% реже людей |
| Claude Opus 5.5 | длинное тире | на 99% реже, чем у Opus 5 |
Что делать с этим дальше. Если вы работаете с большими объёмами генераций, соберите свой список маркеров под свои задачи и обновляйте его при каждой смене версии модели: список, собранный полгода назад, уже устарел. Если вы редактируете тексты, проверяйте их на конкретные обороты из таблицы, а не на длинное тире. Если выбираете модель для письма, сравните её вывод с человеческим фрагментом на ту же тему: расхождение в лексике заметно без всякой статистики.