Deft Writing 搞了个 Distribution Fine

现在的 LLM 最大的问题就是太有“AI味”了，那些重复的废话和刻板的句式简直是灾难。Deft Writing 提出的 Distribution Fine Tuning (DFT) 算法逻辑挺有意思，它不是简单地在数据集上做微调，而是通过分布微调来刻意规避那些被过度使用的“AI 废话词组”，从而让输出结果在统计分布上更接近人类的真实写作习惯。

我试了一下这个 Beta 版，它在处理分析类文章、长论文或者创意写作时确实有优势，文字的灵动感比很多大厂模型强。不过它在写营销号文案或新闻稿时反而显得有点力不从心，这说明 DFT 算法目前更倾向于深度思考类的文本，而不是那种标准化的商业模板。

如果你想尝试用它来优化文本，有几个实操要点可以参考：

一、提示词必须足够具体。如果你只给一句话的简单指令，出来的结果依然容易被判定为 AI 生成。建议在 Prompt 中加入具体的背景、语气要求和细节限制。

二、善用高级选项。在 Advanced Options 里切换不同的风格，能明显感觉到文本节奏的变化。

三、避坑指南。目前这个模型还处于早期 Beta 阶段，偶尔会出现逻辑跳跃或事实性错误，不能完全依赖它直接出稿，必须经过人工校对。

对于追求文字质感的人来说，这种通过算法层面剔除“AI 冗余感”的思路比单纯在提示词里写“请像人类一样写作”要有效得多。