Qwen3-4B微调去AI腔 LoRA+神经元砍破折号

时间：2026年10月19日（北京时间）。 地点：Hacker News / 全球开源社区，原始项目托管在 100toolkit.com。 人物：独立开发者 Erik Markus Kannike（Hacker News 用户名 erikkannike）。 事件详情：开发者在 Show HN 发布开源项目 qwen3-4b-deslop，一个专门去除 LLM 典型 AI 写作腔的 Qwen3-4B-Instruct 微调模型。整个模型仅通过一个 126MB 的 LoRA 适配器叠加一处 175 字节的四神经元符号翻转编辑实现，量化后体积 2.5GB，可通过 Ollama 或 llama.cpp 在普通笔记本上直接运行。最终版本在 40 条未参与训练的测试 prompt 上，把 slop 评分从原始 Qwen3-4B-Instruct 的 121 降到 12.5（每千词），破折号从 20.5 个完全归零，68% 的回答落在人类写作区间，30 道事实问答保持全对。整个项目在 MacBook Air 上训练完成，仅使用 161 条筛选过的人工示范答案。 背景：em dash 破折号、不是 X 而是 Y 结构、三段式列表等模板化习惯，随着聊天机器人大规模普及已成内容社区识别 AI 生成文本的固定指纹。此前主流对冲方案是运行时 steering（在生成时减去模型内部的助手方向），但需要 prompt 配合钩子代码，且会让模型在普通人类文本上的预测分布整体偏移。Erik 早前实验发现 Qwen3-4B 内部存在一条可操作的 assistant register 方向，但单点神经元编辑或单点方向减除都无法把全部写作腔一次性写入权重；本次项目通过两轮蒸馏，把方向固化进权重，从而摆脱运行时干预。 影响：这一可复现方案证明，去除 AI 写作腔既不需要大模型，也不需要部署侧运行时干预，4B 参数级别微调在 MacBook Air 上即可跑通。意味着社区驱动的开源风格对齐已经具备实操性：任何开发者都能在本地训练一个不带 AI 写作指纹的小模型，内容创作、教育、出版、平台审核等对 AI 味敏感的场景都会受益。同时它也反向证实了一个尴尬事实，大模型时代风格污染已经到了必须专门做去污的程度，本身就是 AI 写作过于普及的注脚。下一步该团队计划把同一训练配方扩展到更大模型。 总结：把 AI 味从权重层面剔除的开源方案首次在小模型上完整跑通，AI 写作识别与对抗正式进入模型权重时代。 参考来源： 1. 100toolkit 原文：https://100toolkit.com/blog/deslop-model/ 2. Hacker News Show HN 转载：https://hn.today/s/show-hn-qwen3-4b-with-the-ai-writing-tics-trained-out 3. World Programming 全文转录：https://www.worldprogramming.org/posts/show-hn-qwen3-4b-with-the-ai-writing-tics-trained-out-sk6grf 4. AI.jp.net 中文版分析：https://www.ai.jp.net/article/hacker-shows-qwen3-4b-can-be-retrained-to-drop-annoying-ai-writing-habits-49216b?lang=zh 5. AI.jp.net 英文版评析：https://www.ai.jp.net/article/hacker-shows-qwen3-4b-can-be-retrained-to-drop-annoying-ai-writing-habits-49216b 6. GoKawiil 二手评测：https://gokawiil.com/article/356974 7. Urgent.news 编译：https://urgent.news/2026/10/19/show-hn-qwen3-4b-with-the-ai-writing-tics-trained-out