“马嘉祺”为什么总被写成“佳琪”？一场被忽略的AI语言故障
最近，不少用户在和MiniMax的M2系列模型聊天时发现了一个奇怪的现象：只要提到“马嘉祺”，模型总爱把他写成“佳琪”“琪琪”甚至“嘉琪”——明明是粉丝熟知的艺人名字，AI却像记错了拼音一样，频频出错。
这不是简单的错别字。经过MiniMax团队深入排查，问题的根源竟藏在模型训练的“后处理”环节——一个连很多技术从业者都很少关注的步骤。
一个词被“挤”丢了：Token的无声消亡
中文分词器把“马嘉祺”拆成了“马”和“嘉祺”两个部分。其中，“嘉祺”这个词在早期的海量网络文本里出现过很多次，于是被系统单独标记为一个“词元”（Token），编号190467。
但问题出在后面的“后训练”阶段——这个阶段主要用来教模型怎么更像人一样聊天，数据全是对话记录：用户问“今天吃什么”，模型答“火锅不错”；用户说“帮我写个代码”，模型就输出一堆Python。
可问题是：谁会在对话里反复提“马嘉祺”？谁会拿“嘉祺”当关键词？结果，包含这个Token的训练样本，全加起来不到5条。
而与此同时，像“```”“json”“function”“tool_call”这些代码符号、工具调用标记，每天被模型反复练习成千上万次。它们的向量被不断修正、强化，像一群挤在地铁里的人，把“嘉祺”这个原本就不常出现的词元，一点点挤到了向量空间的角落。
结果就是：模型知道“马嘉祺”是谁，也知道他唱过什么歌、参加过什么节目，但它就是“说不出来”这个名字——因为它已经“忘了”该怎么拼出“嘉祺”这两个字。
不只是马嘉祺：日语、SEO垃圾词，都在悄悄消失
团队一查，发现这根本不是个例。他们扫描了整个20万个词表，发现近5%的词元都出现了类似“退化”——不是完全消失，而是变得模糊、不稳定，模型开始用别的词来“凑合”。
最严重的是日语词汇。有近三成的日语词元（比如“こんにちは”“ありがとう”）在训练后完全走样。结果就是：用户问一句“日本的天气怎么样？”，模型可能回你：“Япония сегодня солнечно.”——俄语都冒出来了。
为什么？因为日语Token在中文对话数据里本就稀少，又被大量高频的英文、代码符号“淹没”。它们的向量被拉偏，和韩语、俄语的某些音节在空间里“撞在一起”，模型分不清了。
更荒诞的是，那些被搜索引擎滥用的垃圾词——“传奇私服”“无痛人流”“代写论文”——也集体“被遗忘”了。它们在预训练阶段满天飞，但在真实对话里没人提，后训练阶段直接被当成了噪音，模型越练越觉得：“这些词，根本没人用，删了吧。”
他们怎么修好的？不是靠“加数据”，而是靠“逼它练”
MiniMax没选择简单地“把马嘉祺的名字加进训练集”，而是做了三件事：
- 全词表“复读机”训练：哪怕一个词一个月只出现一次，他们也强制让模型在后训练阶段每轮都“念一遍”——哪怕只是重复“嘉祺 嘉祺 嘉祺”。结果，日语混淆率从47%直接降到1%。
- 混点“老教材”：在对话训练数据里，偷偷掺进10%的原始预训练语料——就是那些百科、新闻、论坛帖子。让模型别光学“聊天”，还得记得“词长啥样”。
- 砍掉没人用的词：把那些连训练数据里都从没出现过的冗余Token直接删掉，同时把“词表覆盖率”当成了新指标——就像考试不能只看作文，还得看字词基础。
现在，你再问“马嘉祺是谁”，模型能准确输出全名了。日语也基本不乱码了。但更重要的是，他们意识到：模型不是靠“知道得多”才聪明，而是靠“用得稳”才可靠。
真正的教训：AI不该只学“说话”，还得记得“写字”
这件事背后，是整个行业的一个盲区：我们太专注教AI“怎么聊天”，却忘了它首先要“认字”。
一个名字，一个日语词，一个被搜索引擎污染过的词——它们不是“噪声”，它们是语言的毛细血管。当你让AI只练“有用”的对话，它就会慢慢忘记那些“看起来没用”的表达。可谁知道，哪一天，用户会突然想问一句“嘉祺的新歌什么时候发？”
MiniMax说，未来不会再只看“对话流畅度”了。他们要加一个新标准：**你的模型，还记得多少个普通人会用的词？**
这不是技术问题，这是语言的尊严。
