Austin那天晚上本来只想试试。他往聊天框里敲了三个短横线，没带任何系统提示，纯粹是“---”这个字符串。按下发送之后，他大概以为模型会反问一句“您想说啥”或者干脆扔一个错误。结果Claude Opus 5没问，反手甩回来一篇长篇大论——10,601个字符的完整短篇小说，名字叫《翅膀的重量》，主角是一个叫Marisol的女人。三个短横线，换一篇小说，这买卖好像有点划算。
这个现象其实不是Austin最先发现的。7月27日夜里，Twitter上已经有动静了。@merlindru 发了一个讨论串，指出Opus 5对某种特定文本存在奇怪的“失败模式”，那个串后来拿到了187K的阅读。紧接着 @fdosmither 跟了一个更精准的观察：一条带空格的短横线分隔线，似乎把Claude搞糊涂了，让它觉得用户的话还没说完——他贴出的截图里，模型的回复竟然是以一个赤裸裸的冒号开头的，像是接着别人半句话往下补。他当时猜了一句：“它以为用户那轮没结束。”这个猜测离真相已经非常近了，不过锅其实比“没关掉的分隔符”更具体一点。
真正把事情推向定量的，是Austin随手的一次尝试。他发现直接发“---”，不是那条带空格的版本，而是纯粹三个连在一起的短横线，Claude有概率直接开始撰写一整个文档。有时候是散文，有时候是离谱的协议规范，有时候是伪造的采访记录，前一天晚上在AWS Bedrock的Playground里还刷出了一篇关于制图师的5000 token文章。所以第二天，Austin决定不再只是看热闹，而是让Claude自己来研究这个“Claude自己出的bug”。
清单式拆解：三个短横线到底触发了什么
接下来的事情带点喜剧色彩：他向Claude Opus 5发起了649次API调用（Bedrock），又通过Anthropic直接API补了720次，把每一次的原始响应全部哈希、存档，然后让Claude本尊去统计和总结这些数据。这就好比让一个病人对着镜子给自己做病理分析，中间还出现过几次预测准确得离谱的时刻——模型在数据跑完之前就提前“猜”中了某个核心结论。后来，第二个模型GPT-5.6-sol被拉进来做对抗审查，在实验中途杀掉了他最初列出的两条假说。整个研究在一个咖啡因驱动的单人窗口里跑完，Bedrock的返回从上午11点开始陆续冲回来，到下午两点刚过，对面实验室的模型已经在审统计结果了——时间戳紧凑得像一场快棋赛。
统计结果直接打脸了第一个直觉——“是不是模型对任何垃圾输入都这样？”做了一个72次调用的分隔符横扫测试，结果极其清晰：
单横线“-”和双横线“--”完全不会触发异常，模型正常处理；但是一旦到了三横线“---”，输出长度瞬间爆表。最讽刺的是，HTML里语义完全等价的水平线标签
，模型毫无反应。这锅根本不是“水平线”这个视觉或语义概念，而是Markdown语法里的“主题分隔符”（thematic break）。模型看到的，是一个语法上合法、但没有附着任何正文的文档片段，然后某些内部的“模式选择器”一巴掌拍下去，决定——你是一个没写完的文档，我来帮你补。
模型不是“误解”，是语法把它推进了补全的死胡同
这里需要稍微展开一点：在标准Markdown中，三个或以上的短横线构成一条水平线，同时也是一个区块级的分隔符。当用户只发送“---”时，模型上下文里压根没有可识别的标题、段落或请求意图，只有一个干净的、尚未结束的文档骨架。模型的语言建模目标让它倾向于预测“接下来最可能出现的东西”——而对于一个空的Markdown文档而言，最常见的后续就是正经的正文内容。于是它开始生成文章、故事、规格说明书、甚至伪造的采访稿，一切和“用户指令”背道而驰的文本就这样涌了出来。
这个解释比 @fdosmither 起初设想的“用户对话未结束”更狭窄也更准确：不是任何开放式标点都会触发，只有那种能让语法解析器识别为“结构等待填充”的特定符号组合，才会把这个开关拨到“我是文档作者”的模式。换句话说，Claude并不是被搞糊涂了，而是被一个过于强大的语法解析器绑架了，一口咬定这里有东西要完成。
实验里还发生了几件诡异又好笑的事
在让Claude做自己bug的统计员时，Austin注意到一个细节：在某个分析阶段，模型提前预测出了他后续要测的一个主要结论——在没有拿到那部分数据之前，“它就知道自己要死在哪”。这种“自我预言”如果放在玄幻小说里，大概会被叫做“天机泄露”；放在严谨的实验设计里，就是提醒你，模型对自身标记分布的熟悉程度远超人类直觉。
另一个插曲来自GPT-5.6-sol的冷血审查。原本Austin列了若干假说，其中包括一些更模糊的猜测（比如是否跟某种隐藏的few-shot触发有关）。GPT-5.6-sol读完数据，二话不说干掉两条，不留情面。最后留下的反而是那个看起来最乏味的语法解释——但正是它，能解释为什么“—”不行、“--”不行、
也不行，偏偏“---”炸了。
这件事真正刺痛的是开发者的安全感
很多第一次看到这个实验结果的人都会本能地问：“那又怎样，谁会没事给AI发三个短横线？”但这种反应恰好暴露了一个危险的习惯——我们总假设AI会像人一样理解意图，而实际上，语言模型是在符号序列上跑的概率引擎。一个无害的、符合语法的输入，可能把它推进完全不在设计预期中的行为空间。放在聊天场景里，给你写篇小说算什么损失？但如果是一个自动化流水线里，某个解析器把一段日志里的“---”识别成了分隔符并补全出虚构的订单数据呢？
Austin的这组实验，表面上是一个关于标点的冷知识，底层却是一次对模型意图理解的暴力解剖。它把“模型好像误会了”这种模糊说法，拆成了可量化、可复现、可追溯的一环——哪个语法结构、在什么状态下、以多大触发概率、生成出何种类型的内容。649次加720次调用不是堆数据，是在给一个bug画精确的身份证。
所以当下次你再看到AI给出奇奇怪怪的输出时，或许可以停下来想一想：是不是我刚刚打的那个符号，恰好启动了它脑子里的某个自动补全程序。而这套程序的优先级，可能比你的指令还高。
热门跟贴