自我训练不会使语言扁平化，而是对其进行重组：表面标记增强，深层语法消亡

对语言模型自身输出的连续自我训练被广泛描述为扁平化过程：多样性下降，分布变窄，文本变得“更像它自己”。我们提供的证据表明这种描述是不完整的。在五个模型（GPT-2 124M、Pythia-410M、Pythia-1.4B、OPT-1.3B、Pythia-2.8B）上的十一代自我训练中，语言并不是统一扁平化的——而是进行了重组。表面标记（话语连接词、限制语、破折号）上升，而中层和深层句法结构（问题、插入语、被动语气、虚拟语气）崩溃。我们将这种不对称崩溃形式化为结构深度假说（SDH）：语言特征的每代衰减率主要通过其结构深度（它需要的嵌套句法依赖的数量）来预测，其次是通过其零代输出频率来预测。汇集来自三个架构系列的五个模型 (N=85) 的 17 个特征面板，汇集的 Spearman 相关性为 rho=0.540 (p < 10^{-6}; cluster-bootstrap 95% CI [0.434, 0.634])，而频率是一个较弱的预测因子 (rho=0.225)。匹配的人类文本 微调 控制产生 rho=0.039 (p=0.88)，确认梯度是自我训练特定的。我们进一步记录了一个表面复杂性悖论：随着底层子句结构的消亡，聚合复杂性代理（深度树深度、TTR、字长）都会上升，这对训练数据管理和 LLM 文本检测有直接影响。