AI 写的繁体中文为什么会混进简体字

大模型产出繁体的机制

目前主流大模型在处理中文时，底层的训练数据以简体中文占大宗。这代表模型在「学会」中文的过程中，主要接触的是简体字形与简体语料。当用户要求繁体中文输出时，模型做的事情不是「用繁体思考」，而是在生成之后进行一次字形映射——把简体字形转换成对应的繁体字形。

这个过程本身就不稳定。映射依赖的是模型内化的一套对照表，而非一套有明确规则的转换引擎。当模型对某个字的映射信心不足，或上下文没有提供足够线索时，它可能直接保留简体字形，不做转换。

单字渗入：最常见的失败模式

大模型混入简体的方式，通常不是整段变成简体，而是单字渗入。一段正确的繁体散文里，偶尔会出现一两个简体字形，像是 这（对应「这」）、个（对应「个」）、说（对应「说」）。这种错误很难用肉眼扫过就发现，因为读者的眼睛会自动补全。

真正的简体混入很少只有一个字。一旦模型在某处滑进简体模式，这、个、时、说、国 这些没有繁体身分的字形会接连出现。它们是纯粹的简体字，在任何繁体辞典里都找不到。

身分模糊的字：转换器的陷阱

更棘手的问题不在于那些「一看就是简体」的字，而在于那些身分模糊的字。有些字形同时是简体字，也是独立的繁体正字。这些字不能用「转成繁体之后会不会变」来判断，因为它们不需要变——它们本来就是正确的。

常见的例子包括：

• 云：简体是 云，繁体「云」的简化。但「人云亦云」里的 云 是正字，不是简体。
• 丑：简体是 丑，繁体「丑」的简化。但地支的「丑」是正字，不应转成 醜。
• 干：简体是 干，繁体「干」或「干」的简化。但天干的「干」是正字。
• 台、后、里：这些字在特定语境下是繁体正字，不能一律转成 臺、後、裡。

如果用「这个字转繁体之后会不会变」当判准，这些正字全部会被误判成简体。这是一个很常见的逻辑错误。

转换器的反向问题

字形转换的麻烦不止一个方向。以 OpenCC 为例，它的字典有时会把台湾地区的正字映到异体字。例如：

• 床 被映到 牀
• 灶 被映到 竈
• 群 被映到 羣
• 雇 被映到 僱

在台湾教育部《国语辞典》里，床、灶、群、雇 都是收录的正字。照字典判的话，这些正字反而被当成简体处理了。这说明一件事：判断一个字形对不对，最终要看该地区辞典收的是哪一个，不能只看转换器的输出。

怎么处理这个问题

对于繁体中文网站而言，大模型产出的内容需要经过人工或工具校对。校对的重点不是「有没有简体字」，而是分辨三种情况：

1. 纯粹的简体字（如 这、个、说）：这些字在繁体语境里没有正字身分，出现就是错。
2. 身分模糊的正字（如 云、丑、干）：需要看上下文才能判断，不能用简单的字形对照表处理。
3. 转换器的过度修正（如 床 被改成 牀）：反过来，原本正确的字形被转成异体字，也需要拦截。

本站的易错字条目整理了一简多繁的常见案例（例如地支的丑、天干的干），每一条附辞典出处。⚠️ 至于「转换器把正字映到异体字」那一类（床、灶、群、雇），目前还没有收进条目 —— 那是另一种成因，需要逐条查辞典才能定。检测工具的设计逻辑也是围绕这三种情况展开，而不是单纯比对简繁字形。