如果你经常使用大模型，应该会发现一个很有趣的现象：
无论你问它什么问题，它往往都会先来一句“嗯”，再开始正式作答。这个问题也是最近知乎很火的一个问题
比如，DeepSeek 的思考过程，当你提问，它会回复：
嗯，这个问题可以从以下几个角度来理解……
ChatGLM 也常这样：
嗯，我明白你的意思……
感觉主要是因为大模型目前在学习任务的时候，大部分都是模仿人类的思维方式去学习的。如果你有认真关注的化，会发现深度思考中，大部分的一些主流模型都会有这样的输出格式。
比如，DeepSeek的思考过程，如果你问它一个问题，它还是先回复“嗯”
还有ChatGLM模型也会这样：
为什么会出现这种情况，其实还是和模型训练过程中有关系。
1
训练数据决定了输出风格
在模型训练阶段，使用了大量人类对话语料进行预训练，而这些语料本身就包含了很多“嗯”、“呃”、“这个”之类的语气词。
毕竟，真实的人类对话中，经常会用这些词汇来进行思考、组织语言、或引导听众注意力。
因此，当大模型学习这些语料时，也自然“继承”了这种说话风格。
2
语气词让对话显得更自然
如果一上来就严肃且直接地给出复杂回答，很多用户会觉得冷冰冰，缺少情感色彩。
相比之下，加一个“嗯”，能在无形中拉近与用户的距离，让回答更接近真人对话的节奏，听起来亲切、自然，也更像一个真实的交流伙伴，而非冰冷的工具。
3
强化学习进一步强化了这种习惯
在强化学习（RLHF）阶段，研究者往往希望模型的输出“更像人”，而不是只追求逻辑正确。
比如在训练 R1 模型时，论文指出，最初的 R1-Zero 在推理能力上很强，但在语言表达和可读性方面存在问题：
语言混合：推理过程会混合多种语言，导致难以理解
格式混乱：缺少清晰结构，难以阅读
但是这样做无疑也会使得模型趋向于学习更多的人类说话方式，因此不知不觉就把这种开头是“语气词”的习惯给学习下来了。
4
解码策略也在“推波助澜”
除了训练数据和奖励函数外，技术层面的解码策略同样有影响。
大部分生成式模型在输出文本时，都会使用 Top-k、Top-p 等随机抽样方法。在这种解码过程中，模型更倾向于先输出那些高概率但对整体语义影响较小的“安全词汇”。
比如“嗯”、“这个”等填充词，它们在统计上出现频率极高，先输出它们可以帮助模型“稳住”生成节奏，降低突然输出低质量或跑题内容的风险。
5
用户可以如何应对？
从用户体验来看，虽然我们已经习惯了这些“嗯”带来的亲切感，但在某些场景下，它们也会显得啰嗦或累赘，降低阅读效率。
如果希望模型直接切入正题，可以在提示（prompt）中明确要求：
“请直接给出答案，不要添加任何多余的语气词。”
“省略所有开头的填充词。”
在强化学习微调（RLHF）阶段，若对填充词给予负奖励，也能进一步减少这些“嗯”字开场的输出，获得更加干脆、专业的回答。
6
写在最后
大模型“嗯”开头的习惯，既是因为训练数据本身就充满了这些语气词，也与解码策略、强化学习中的人类偏好奖励密切相关。
它看似无关紧要，但却是**让AI看起来更像“人”**的一种表现。
如果你喜欢这种人情味，就让它继续“嗯”下去；如果你偏好直接高效，那就用更精准的提示告诉它：“别嗯了，快说重点。”