ChatGPT는 왜 긴 대시를 그렇게 많이 쓸까?

모델은 누군가 편집한 텍스트로 학습합니다. 책, 언론, 보고서, 에세이. 전부 편집자 또는 최소한 스타일 가이드를 거쳤고, 미국 스타일 가이드는 오랫동안 삽입어에 긴 대시를 요구해 왔습니다. 자기 코퍼스의 평균을 흉내 내는 모델은 요컨대 편집된 문장을 흉내 냅니다. 그리고 편집된 문장은 대시가 풍부합니다.

실제 편집 현장에 있는 반대 방향의 힘은 같은 형태로 남지 않습니다. 출판된 글에 “여기 대시 줄여라”라고 교정하는 사람은 없습니다. 그건 문서 전체에 대한 판단이기 때문입니다. 코퍼스에는 대시가 있고, 대시에 대한 반발은 없습니다.

긴 대시는 영어에서 가장 유연한 문장부호입니다. 쉼표, 콜론, 세미콜론, 괄호 한 쌍을 대신하면서 주변 단어를 하나도 바꾸지 않고 네 역할 모두를 맞게 수행합니다. 국소 유창성으로 다음 토큰을 고르는 시스템에는 정확히 필요한 성질입니다. 세미콜론은 놓일 수 없는 자리가 있지만 대시는 거의 어디든 놓입니다.

요즘 토크나이저에서 긴 대시는 토큰 하나이고 앞뒤 공백도 마찬가지입니다. “그 계획—위험했지만—은 통했다”를 괄호나 세미콜론＋접속사로 쓰는 것보다 토큰이 덜 듭니다. 효과는 작고 의식적 선택이 아닙니다. 하지만 나머지 모든 것과 같은 방향을 가리킵니다. 유창한 문장으로 가는 가장 싼 길이 대시를 지난다는 것.

모델은 인간 선호 데이터로 다듬어집니다. 평가자들이 답변을 비교하고 더 나은 쪽을 골랐죠. 대시가 있는 글은 쉼표 삽입어 글보다 자신 있고 즉각적으로 읽히고, 평가자들은 그 어조에 보상을 주었습니다. 이것은 추론이지 공표된 사실이 아닙니다. 다만 관찰되는 패턴을 설명합니다. 중립적인 요약을 부탁해도 저 극적인 문장부호로 돌아온다는 것.

범용 모델은 모두 같습니다. Claude가 가장 많이 지목되고 대시 습관은 그 대표적 불만이며, Gemini와 Copilot은 정도가 약할 뿐 같은 패턴을 보입니다. 학습 데이터와 디코딩 행동이 공유되어 있다면 예상대로이고, 실제로 그렇습니다.

수치는 반복 샘플링 추정치이지 제조사 공표값이 아닙니다. 정확한 수는 장르, 길이, 샘플링 설정에 따라 달라집니다. 자릿수가 아니라 순서가 지식입니다.

대책은 쌓으세요. 무너지는 속도가 다릅니다. 프롬프트의 지시는 대부분 지켜지다가 긴 대화에서, 혹은 “더 흥미롭게”라는 순간 잊힙니다. 맞춤 지시는 남지만 기본 어조를 완전히 고쳐 쓰지는 못합니다. 후처리만 실패 양식이 없습니다. 모델을 거치지 않기 때문입니다.

1. 프롬프트에서 제약을 요구합니다. “긴 대시(—), 짧은 대시(–), 이중 하이픨(--)는 쓰지 않는다.”
2. 맞춤 지시나 개인 설정에 넣어 반복하지 않도록 합니다.
3. 최종 원고는 AI용 대시 제거기로 기계적으로 제거합니다. --와 ---도 잡습니다.