第 360 期

Hemmingway AI 联合创始人访谈:像人一样写作的AI与写得好的文章之间的差异

Hemmingway AI 联合创始人 Yashodan Naidoo 访谈,七个问题与回答

AI与科技Hemmingway AI 联合创始人访谈:像人一样写作的AI与写得好的文章之间的差异

读过第277期的模型开发者给我发来了邮件

读者,在9月27日发布的第277期中,我介绍过一个名为Hemmingway-1的模型。这是一个以“像人一样写作”为目标训练出来的、拥有270亿参数的写作模型。我在那一期里写道,这个模型的成绩需要附带条件来看:评测是开发公司自己设计并运行的,打分不是由人来做,而是由另一个AI模型来做,而且这是一个以英语为中心的模型。

那篇文章发出大约一个月后的10月21日,这个模型的开发公司Hemmingway AI的联合创始人Yashodan Naidoo给我发来了邮件。

他把第277期解读为“文章应依据读者理解和行动的难易程度来评判”这一主张,并认为这对他们一直以来所说的“听起来像人写”的说法,提出了一个有用的质疑。接着他问了一个问题。也就是,在日常写作情境中,最能体现“读者的辛劳”这一问题的场景是什么。

我的回答是会议纪要。会议纪要里通常包含决定事项、负责下一步的人、以及截止日期,只不过这些信息被埋在讨论记录之中。这时如果模型填入了没有人实际商定过的负责人或日期,会议纪要读起来很顺畅,却会把人们引向错误的方向。Hemmingway-1模型卡片里出现的房东短信案例,也是同样的模样。读者需要的,就是那一句他们必须据以行动的话。

我在那封回信中提出了采访请求。我还写了一个情况:在韩国,隐藏AI写作痕迹已经变成了一种诀窍级别的技巧。做法包括删掉破折号,避开“轴”或“层”这类词,在发布文章前用人性化工具1处理一遍之类的。所以七个问题里有不少都是朝这个方向去的。

Yashodan接受了采访,访谈以英语进行。下面按顺序列出了问题与回答。回答部分我译成了韩语,并在其间加入了读者应当了解的事实以及我自己的看法。第277期里提到的、他可能并不认同的地方,我也原样保留了。

先简单介绍一下这家公司。Hemmingway AI是一家注册在南非共和国的公司,团队分布在南非和瑞士。公司同时推出了写作应用、自研模型和API。第一个模型Hemmingway-1于2026年9月20日发布,是在Qwen3.8-27B基础上进行额外训练得到的模型。10月25日,后续模型Hemmingway-1.5发布,目前已是应用和API的默认模型。我发出问题的日子是10月21日,所以问题里没有提到1.5的内容。

有一点需要更正。我在第277期里把Hemmingway-1的许可证写成了Apache-2.0,但现在官方模型卡片上写的是CC BY-NC 4.0。未来将发布的Hemmingway-2也会遵循同样的许可策略:非商业用途免费,商业用途则需要与公司单独签订合约。

<<<OZ_BODY>>>

“像人一样”这一目标与其评分方式

Q1. 为什么把目标定为“写得像人一样”?既然现在关注的是读者所付出的努力,这又如何改变了训练Hemmingway-2的方向?

大多数AI写作工具一旦被放进真正要写作的那个情境里,写出来的东西就显得格格不入。培养写作能力时,语气与文体固然是重要的考量因素,但二者都从属于情境之下。举例来说,安慰一个失去所爱之人的信息,和写给同一个人、汇报项目进展的信息,哪怕同样做到了“清晰明了”,所需要的感觉也完全不同。写作不止于传递信息,它处理的是写作者与读者之间的关系。(我是从音乐和写作领域来到Hemmingway的,所以我关心的,不只是文字里承载的信息,还有这段文字留给读者的效果。)

这正是我们希望Hemmingway-2的训练与评估所聚焦的地方:体察文字将被使用的情境,守住初稿原有的内容,并写出能让接收者更容易看清什么才重要的文字。本周将发布的Hemmingway-1.6中也会有一些进展,但真正实现跨越式提升的,会是Hemmingway-2。

他为Hemmingway-2提出的目标有三个:体察情境、守住初稿的内容、让接收者更容易看清重要的事。 第三点正对应我所问的“读者的努力”,第二点则与前面提到的会议纪要那件事相呼应。

Q2. CommunicationBench、Human-Likeness、StoryBench都是自建的基准测试,由模型打分。为什么不是由人类评审员,而是由模型来评判?

在这套评估体系中,你认为仍然悬而未决的问题是什么?

这个问题原封不动地沿用了第277期提出的质疑条件。这三个基准测试都是Hemmingway自己建立的,评判方式是把两个模型的回答并排放置,由另一个AI模型——即裁判模型2——来挑选哪一方更好。截至11月10日,官方模型卡上对这三个基准测试都标注为“内部(internal)”评估,却没有写明是谁、以怎样的方式打的分。

我们打算在未来发布的基准测试中,把人类评审员与模型判定结合起来。之所以继续让模型充当“评判者”,最主要的原因是,对我们这样的小团队来说,它能让我们现实地对同一提示下的多个回答反复进行比较。换模型时,我们能快速评估产生了什么影响,也能用同一套标准比较大量的回答。在开发模型的过程中,这一点真的很宝贵。但这并不意味着这种判定就是“客观的”,它也无法在任何意义上替代读者的反馈。

第一次做评估时,我们隐去了生成回答的模型身份,并且把回答按两种顺序都做了比较(为了减少位置偏差3)。这是有用的措施,但它消除不了裁判模型本身的偏好,也消除不了我们自己——作为设计这套评估体系的人——所带有的偏见,即决定该纳入哪些任务时的偏见。裁判模型可能会偏爱用词更常见的回答,可能察觉不出编造出来的事实,也可能挑选听起来顺耳的回答,而不是真正有用的回答。“像人一样(Human-Likeness)”这项评估在这一点上尤其脆弱。让(另一个)模型去判断一段文字究竟是模型写的还是人写的,用来替代人类会如何判断这段文字,是一把相当贫弱的尺子。我认为,这正是未来人类评审员会扮演更直接角色的地方。

Yashodan并没有否认第277期提出的两个质疑条件,反而具体写出了裁判模型可能漏掉的东西:可能会偏爱常见的表达方式,可能察觉不出编造的事实,也可能挑选听起来顺耳的回答而不是真正有用的回答。他甚至承认“人类相似度”评估“尤其脆弱”。

只不过,纳入人类评审员的基准测试,目前仍属于“未来”的事。眼下公开的所有分数,都是模型打出来的分数。

抹去痕迹与写得好,分界线在哪里

Q3. 在韩国,人们会抹去破折号或特定词汇之类表面的痕迹,让文字看起来像是人写的。Hemmingway做的事情也是一样的吗?还是说,隐藏痕迹和写得好之间存在差异?这条线该画在哪里?

像抹去破折号或特定词汇这样的捷径,属于“人性化”工具的范畴,那其实只是权宜之计。Hemmingway正在训练模型把文章写好,这远远超出了人性化工具所做的事情。

我们更关心的是这样的问题:这段文字是否把握了它将被使用的语境?是否听起来适合这段关系?是否说出了我(发送者)想说的话?是否擅自填入了我(发送者)没有许可的细节?即便通过了所有检测“AI所写”的词汇或标点的测试,也完全可能在这些问题上统统不及格。

我们也会说“听起来像人写的”这样的话。但我们认为,仅凭在检测器评分上与人类难以区分,还不足以证明这段文字准确、有用,或呈现得诚实。

我们希望让人们拥有这样的工具:能够表达自我,同时不听起来像世上泛滥的其他AI生成信息。好的文字应当把一个人想要传达的意思(并且这个人准备为之负责的意思)成倍放大,而不是替他决定自己有没有话要说。

有一个事实需要和这个回答放在一起看。在我发出提问四天后面世的Hemmingway-1.5,官方模型卡(model card)把它介绍为“无法被检测的AI(The undetectable AI)”。据称在自测中,它以90%的比例通过了GPTZero、Pangram以及四个公开检测模型。

这里的“通过”,指的是检测器以90%以上的把握判定为人写的情况。在同样的检测器下,1670篇人类写作的通过率为86%,而Hemmingway-1则为7%。模型卡还把“粘贴AI所写的文字,让它听起来像人写的”列为用途之一。

按照公司给出的这组数字,人写的文章也有14%没能通过检测。我在第195号中写下“不能把检测分数当作证据”的理由,正隐藏在这些数字里。

Yashodan所说的“检测器分数本身不够”,和把检测器通过率放在产品介绍最前面之间,存在一段距离。这不代表他的回答是错的——他说的是“不够”,而不是“不需要”。但仅凭这个回答,很难划清韩国那种抹去破折号的小技巧,和为通过检测器而打磨出来的模型之间的分界线。

Q4. Hemmingway-1以英语为中心。在韩语中,英语句子结构移植到韩语时会产生大量AI痕迹。要为韩语或其他非英语语言打造同类模型,需要什么?这在路线图上吗?

我们的第一个非英语语言,很可能会是像阿拉伯语或西班牙语这样使用广泛的语言。对于把英语中行得通的“好文字”概念拿来,把例句翻译成另一种语言(比如韩语),再假定翻译的结果在韩语里也算“好文字”——我对这种做法相当谨慎。我没有足够的语言学专业知识去判断什么样的文字在韩语里听起来自然。因此,我们需要邀请以韩语为母语的作家,协助我们定义任务、挑选并验证合适的训练数据,以及评估结果。语言不仅仅是语法和词汇的问题,也是关系和语境的问题。此外,我们还想确认,模型在生成新句子的同时保留原始草稿中的事实(姓名、决定事项等)这件事,在非英语语言中是否也能做得同样好。成败将取决于任务设计、训练数据筛选和评估的质量。

答案中没有提到韩语的时间表。作为首个非英语语言候选提出的是阿拉伯语和西班牙语。不过,如果真要打造韩语模型需要什么,回答写得很具体:不是把英语例句翻译过来使用,而是必须让以韩语为母语的作家全程参与任务定义、数据筛选和评估。

责任、小模型,以及人应该承担的事

Q5. 当AI写的文章看起来不再像AI写的文章时,读者就失去了一个用来判断是否有人核实过内容的信号。这个责任应该由谁承担?是做模型的一方,是发送消息的人,还是读者?

(像AI写作模型这样的)工具,应该拿出它为了那个目的所能拿出的最好的结果。为了让人们能认出这是AI做的而故意把结果做差,这是说不通的。我预计在文字、音乐、代码、视频等各个领域,最终完成的结果都不会再成为告诉人们它是如何被制作出来的可靠信号(事实上,对很多人来说,这道门槛已经被跨过去了)。关于工具怎么被使用、什么被拿出来投放到世界上,这个责任应该由使用工具的人来承担。

我们做模型的工作,是缩短一个想法和那个想法被完整表达出来之间的距离。要写出一个好故事,传统上需要接受教育和接触文学的机会,还需要练习的时间。这样的机会并不是人人均等的。一个为了生计而工作的人,心里也可能有很好的话想说,只是没有机会去磨炼写作技巧而已。

我们希望这样的人也能做出高水平的作品。对于已经磨炼出那种技艺的人,我们希望工具能帮助他们走得更远、更快。应该有更多人拥有把自己的想法赋予有说服力的表达形式的手段。

问题摆出了三个主体,而答案指向的是使用工具的人。

Q6. 27B模型在日常消息场景中超越了规模大得多的模型,排名第一。这个结果对专精于狭窄任务的模型与通用前沿模型4来说,说明了什么?

我的假设是,专精于特定领域的模型超过通用前沿模型,并不算太令人意外。专注很重要,而规模大本身并不会自动把这个差距填平。

在企业界,这是常见的事。资金和人才多得多的巨型公司,为什么不能把与之竞争的小公司都打败?因为拥有大量资源,和把那些资源集中投入到某个特定问题上,是两回事。小团队能够更深入地理解自己的领域,并把一切都组织起来只为做好那一件事。

我认为类似的道理也适用于模型。这正是Hemmingway的结果让我觉得有意思的地方。它暗示着,集中式的训练能够做到规模大得多的通用模型始终做不到的事。

可以设想这样一个未来:一个调配得当的系统在高度专精的模型之间分配请求,而用户几乎察觉不到模型发生了切换。这就是在一个流畅的体验中,享受多个模型各自的优势。实际会不会这样发展还有待观察,但我不会假设最大的模型在所有领域永远都是最好的模型。

作为这个问题前提的排名,来自Hemmingway自家的基准测试CommunicationBench。按模型卡所示,Hemmingway-1得分1026分,第二名Fable 5.1得分1024分,差距只有2分。Hemmingway-1所基于的底层模型Qwen3.8 27B得分为954分。而在衡量创意写作的StoryBench中,Fable 5 Max(1277分)和GLM-5.3(1254分)都高于Hemmingway-1(1197分)。

Q7. 对于每天用AI写报告、起草消息初稿的韩国上班族,您想对他们说,什么该交给模型,什么仍然应该自己动手写?

请尽量多提供背景信息。我知道些什么?我希望对方理解什么?这件事做得越好,结果也会越好。当我需要有人建议结构、删掉重复的部分、把某件事解释得更清楚,或者琢磨怎么说出难以启齿的话时,我经常会用模型。

建议、事实和承诺的责任在于使用者。如果某项执行事项的负责人和截止日期在会议中没有达成一致就散会了,那就在会议记录里明确写出这一点。数字和出处(尤其是出处!)要对照原始资料核实。写得流畅并不代表它是事实。

我不会用“这部分我自己来写”这种方式去划分。有时候,我明明清楚自己想说什么,却需要帮助才能把这话说出来。最后一刻按下发送键之前,请确认消息里的所有内容,自己都能负得起责任。如果有人要核实事实或要求兑现承诺,你应该做好回答的准备。

会议记录的话题在答案里再次出现了。他说,如果负责人和截止日期没有达成一致,就要写明没有达成一致。我在最初那封邮件里提出的担忧,是模型会煞有介事地把那个空白填上,而他的回答是,把空白写成空白,这是写作者自己的职责。

hemmingway founder interviewOswarld视角

在第 277 号中,我给 Hemmingway-1 的成绩附加了条件。读过这次的回答后会发现,把这个条件阐述得最详细的人,正是这家开发公司的联合创始人。因为他亲自写道,评审模型可能会漏掉编造的事实,而对人味的评估尤其薄弱。

我认为,第 2 个回答比“CommunicationBench 第一名”这个排名本身,更能让我们了解这家公司。排名写在模型卡上,但那个基准测不到什么,模型卡上没有,这个回答里却有。只是,说出来的话和实际产品要分开确认才行。看看是否真的会公开有人类评审参与的结果,看看 Hemmingway-1.5 的介绍文案是否会把“通过检测器的比率”之外的东西摆在前面,就能判断这个回答的分量有多重。

把人性化工具称为权宜之计的第 3 个回答,和我在第 213 号中写的方向一致。那时我写道,不该去寻找诸如“消除 AI 痕迹的方法”这类投机取巧的清单。而删掉破折号、避开“轴”和“层”这类技巧,正是那份清单的最新版本。

Yashodan 转而提出的四个问题,并不只适用于 AI 写的文章。是否把握了语境,是否适合这段关系,是不是我想说的话,是否混入了我没有许可的内容——这些问题,用来审视人写的报告和消息时同样适用。

我一开始之所以以会议记录为例,是因为没有人达成一致的负责人和日期,却被填得煞有介事的会议记录,读起来很顺畅,却会把人引向错误的方向。他的第四个问题,以及第 7 个回答中那句“如果没有达成一致,就要写明没有达成一致”,指的正是这个地方。

只是在第 5 个回答中,他把责任归到了使用工具的人身上。我也同意,发送者应该为自己的信息负责。但不去填补未经许可的内容,这同时也是模型制造方的分内之事。看他把“守住草稿内容”列为 Hemmingway-2 的目标,似乎他也把这件事当成了自己该做的功课。

第 6 个回答,和我一直以来说的话重叠。不是所有人、所有工作都需要顶级前沿模型那样的智能,而是存在与具体工作和环境相匹配的模型。我自己也是,耗时长、重复多的工作最近交给 DeepSeek 或 GLM,而整体规划和初期设计则交给 Claude 或 GPT-6。

不过,把这次的结果当作这个说法的依据,还为时尚早。第一名和第二名之间只差 2 分,而给出这个分数的基准本身有什么局限,Yashodan 在第 2 个回答里就亲口说明过了。他自己也把这称为一个假设。

结语

Yashodan把第277期的批评当作对话的起点,而不是攻击。多亏如此,我们才能刊登开发公司对自我评估弱点的亲自解释。这篇采访也会同时推出英文版,英文版中将原文照登他的回答。


💬 在发送与AI一起撰写的消息之前,你最后会确认什么?请在评论区留下一句话。

📨 如果你身边有同事正在和AI一起撰写报告或消息草稿,请把这篇文章转发给他们。


你的观点会成为下一期的线索

欢迎留下你的经验与看法。

注册读者均可免费发表评论。

参考资料与延伸阅读

核心来源

  • Yashodan Naidoo(Hemmingway AI 联合创始人)采访,2026 年 11 月。……本期收录的七个回答。原文为英语,韩语翻译由 INLEVEL9 Letter 完成。
  • Hemmingway AI,“Hemmingway-1 model card”,2026.11.10 确认。……CommunicationBench、Human-Likeness、StoryBench 分数以及当前授权条款均出自此处。
  • Hemmingway AI,“Hemmingway-1.5 model card”,2026.11.10 确认。……检测器通过率 90%、人类文本 86%、测试所用检测器清单及通过标准均出自此处。
  • Hemmingway AI,“What is Hemmingway AI?”,2026.11.10 确认。……公司所在地、各模型发布日期、Hemmingway-1 的检测器通过率 7% 均在此整理。

值得一起读的往期


安光涉(Oswarld)个人插画

作者 安光涉(Oswarld) 现任世宗大学兼任教授,INLEVEL9 战略顾问。职业经历、研究、著作与近期活动会持续更新在作者简介。 最新动态 · 2026年7月:HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

📝 术语说明

注释

  1. 人性化工具(humanizer):把 AI 写的文本改得像人写的,从而降低检测分数的工具。 ↩

  2. 评判模型(judge model):阅读另一个模型给出的答案并打分、或在两者中挑出较优一方的 AI 模型。比人类评审更快更便宜,但评判模型自身的偏好也会掺入分数之中。 ↩

  3. 位置偏差(position bias):在并排展示两个答案时,与内容无关地更倾向于选择先出现或后出现的一方的倾向。通过互换顺序进行两次比较,可以减少这种偏差。 ↩

  4. 前沿模型(frontier model):指在当时性能最为领先的大型通用 AI 模型。 ↩