一名开发者在技术社区发帖表达了对OpenAI GPT模型的强烈不满。该开发者指出，在使用GPT（包括网页版和Codex）辅助编程和撰写学术论文时，模型存在严重的冗余输出和逻辑错位问题。据描述，在明确指示将特定文件夹的实验结果写入论文时，GPT不仅生成速度极慢，最终输出的内容竟包含本地文件系统的绝对路径，并花费大量篇幅解释“为什么不是另一个文件夹的结果”，完全违背了学术论文的写作规范。这种缺乏常识且过于“防御性”的输出被用户斥为“狗屎”。该用户对比表示，Claude和GLM在理解和执行此类任务时的表现优于GPT，并决定弃用GPT。这一事件引发了社区对大模型在实际工作流中“不说人话”、指令遵循能力差以及幻觉现象的广泛讨论。
事件分析
从技术视角审视，该案例揭示了当前主流大模型在RLHF（人类反馈强化学习）过程中可能存在的过度对齐问题。模型为了追求安全和全面，倾向于生成大量冗长的免责声明或无关的元数据（如文件路径），导致有效信息密度极低，甚至违背常识。这种现象在需要严谨逻辑的代码生成和学术写作中尤为致命。相比之下，Claude等模型近期因其在“Claude Code”等工具中展现出的逻辑精准度和对上下文的更好理解，逐渐成为开发者的首选。这表明，单纯依赖模型参数规模已无法满足生产力需求，未来的竞争将转向模型对特定工作流的适配能力、对“噪声”的抑制能力以及更精细的提示词理解力。
核心观点：GPT的过度保守与冗长回复机制严重制约了其在生产力场景中的落地，促使开发者向Claude等逻辑更精准的模型迁移。
原文链接：Linux.do
