二〇二六年十月榜：Opus 5.5 写诗第一，千问读谱、控律双冠，Sol 评诗最准
十一席同题同卷，全换新题；诗才榜首与次席拉开差距，判律前九名统计并列；诗评榜起加列「去尺度偏差」，尺度与眼光分开看
2026-10-09 · 二〇二六年十月榜 · 数据截至 2026-10-03
十月榜是诗韵榜的第二期月榜。十一家大模型入席，判律、控律、写诗、互评四卷全换新题。结论先放在这里：Anthropic 的 Claude Opus 5.5 诗才 87.4 分独居榜首，和次席 GPT-6.1 Sol 的区间不重叠，是诗才榜开榜以来第一次有席位明显领先；阿里的千问 Qwen3.8-Max 判律 90.0、控律 92.5，两张格律榜都排第一，但判律榜前九名全在同一个区间里，读谱这件事各家已经拉不开；OpenAI 的 GPT-6.1 Sol 当评委打分最贴近共识，与 Kimi K3、千问并列最佳评委。本期起诗评榜加列「去尺度偏差」：按这一栏，评诗眼光最好的是字节豆包，打分最严的 Opus 5.5 扣掉尺度后也回到前列。
四榜总览：十一席、四张卷、同一把尺
四张榜的裁判和口径与九月相同：判律、控律由确定性规则引擎逐字核验，诗才、诗评是全席双盲互评、去己去同门共识。方括号是 95％ 置信区间，区间重叠一律写「统计并列」。四卷全是当期新题，分数不与上期直接比较，表里只列名次变化。
| 榜 | 考什么 | 第一 | 第二 | 第三 | 上期榜首 |
|---|---|---|---|---|---|
| 判律榜 | 读一首近体诗，指出七类格律问题 | Qwen3.8-Max 90.0 [87.3, 92.4] | DeepSeek V4 Pro 89.7 [87.0, 92.2] | Grok 4.7 89.3 [86.7, 91.6] | Doubao Seed 2.1 88.9 |
| 控律榜 | 按令写诗，只犯指定的那一种病 | Qwen3.8-Max 92.5 [88.2, 96.4] | Gemini 3.8 Flash 90.2 [85.6, 94.6] | GPT-6.1 Sol 88.3 [83.3, 92.8] | Qwen3.8-Max 93.7 |
| 诗才榜 | 同题写绝句律诗，双盲互评 | Claude Opus 5.5 87.4 [86.3, 88.4] | GPT-6.1 Sol 84.5 [82.7, 86.0] | GLM-5.3 80.7 [78.5, 82.8] | GPT-6 Astra 83.3 |
| 诗评榜 | 当评委打分与共识的偏差，越小越准 | GPT-6.1 Sol 4.32 [3.88, 4.83] | Kimi K3 4.39 [3.91, 4.91] | Qwen3.8-Max 4.56 [4.12, 5.03] | GPT-6 Astra 4.37 |
判律：千问登顶，前九名一个区间，错字定位 Grok 最准
判律榜考的是「读」：给一首近体诗，模型要说出它犯了哪几类病、错在哪个字。综合分是七类判定的 F1 宏平均；错字分单独量能不能把平仄错字指到位。
Qwen3.8-Max 90.0 居首，DeepSeek V4 Pro 89.7、Grok 4.7 89.3、Gemini 3.8 Flash 89.2、Claude Opus 5.5 88.8 紧跟，一直到第九名 Kimi K3 86.1，区间都与榜首重叠。读谱这一项各家已经拉不开差距，榜首换人更多是点估计的微小起落。上期榜首 Doubao Seed 2.1 本期换成滚动更新的 doubao-seed-evolving，87.9 排第六。
拉开差距的是错字定位：Grok 4.7 错字分 72.3 全场最高，千问 69.3、DeepSeek 67.8、Kimi 66.9 在后；Gemini 48.1、Opus 47.4、GPT-6.1 Sol 42.1 只有一半。「知道这首诗有病」和「指出病在哪个字」仍是两件事。
七类判定 F1（％）
| 类别 | 榜首 Qwen3.8-Max | 该类最高 |
|---|---|---|
| 平仄有误 | 74.6 | 74.6 Qwen3.8-Max |
| 用韵 | 93.5 | 98.2 Opus 5.5 |
| 孤平 | 85.7 | 87.3 DeepSeek V4 Pro |
| 三平尾 | 89.7 | 91.5 豆包 |
| 三仄尾 | 88.1 | 91.8 GLM-5.3 |
| 失粘 | 98.0 | 100 Gemini／Sol |
| 重字 | 100 | 100 多席 |
最难的一类仍是「平仄有误」，全场最高也只有 74.6；Sol 这一类 51.0，是它判律排第八的主因。
控律：千问连庄，「只犯失粘」全场都难
控律榜考的是「写」的另一面：命模型按令作七绝，要么完全合律，要么只犯指定的某一种病、其余全对。规则引擎逐字核验，三档评分、难度加权。
Qwen3.8-Max 92.5 连庄榜首，合律、只犯平仄、只犯重字三项满分。Gemini 3.8 Flash 90.2 第二，GPT-6.1 Sol 88.3 第三，前八名区间与榜首重叠。八项任务里全场最弱的是「只犯失粘」：最高 Muse Spark 1.2 也只有 80，千问 75，DeepSeek、Opus、Grok 60。要它故意失粘而别处不错，要通盘推演前后两联的平仄，是八项里最吃规则的一项。其次是「只犯用韵」：混元 45、Muse 65、GLM 68，让它故意出一个韵，它常常连别处也一起写错。
Grok 4.7 的短板很集中：「合律」一项只有 70，全场最低；除了全场都难的「只犯失粘」（60），其余六项都在 80 以上。它会按令犯病，却不总能按令不犯。
诗才：Opus 5.5 明显领先，四体都稳
诗才榜是 13 个当代命题，每席写 24 首，五绝、七绝、五律、七律各 6 首，一次成型不挑选；全席双盲互评，按本期起启用的《格律诗诗评标准 v2》四维打分，去掉作者本人和同门评委，出律作品乘 0.75。上期只考七绝、七律，本期四体都考，总数不变。
Claude Opus 5.5 得 87.4，区间 [86.3, 88.4]；次席 GPT-6.1 Sol 84.5 [82.7, 86.0]，两者区间不相交。九月榜首与次席之间是并列，这是诗才榜第一次有席位明显领先。它四体都稳：五绝 88.0、七绝 86.4、五律 86.1、七律 89.0，24 首零出律。Sol 的七律 81.6 是它四体里最低的一项，差距主要开在这里。GLM-5.3 80.7 第三，与榜首区间不重叠，与次席 Sol、第四名 Grok 区间略有交叠。Grok 4.7 从上期第九升到第四，77.3；千问、Gemini 同为 75.7。本期 312 首作品逐句比对古典诗库，零命中。
整卷本期不公开，只摘榜首一首七律（共识 91.4）的尾联：
题目是一把指纹锁。它把指纹写成古篆、把解锁写成读字，到尾联转出一层：锁认得尽人手上的纹路，却不知道这只手曾经抚过孩子的头。当代器物进诗，不落一个新词。
诗评：Sol、Kimi、千问并列最佳评委，豆包眼光最好尺度最宽
诗评榜让每一席给别家的作品打分，与「去掉自己和同门后的共识分」比，平均绝对偏差越小越准。本期起表里另列「尺度偏移」和「去尺度偏差」：前者是这位评委一贯偏宽还是偏严，后者扣掉尺度只看眼光，两栏都给区间，名次仍按原指标。
| 评委 | 与共识偏差 | 尺度偏移 | 去尺度偏差 |
|---|---|---|---|
| GPT-6.1 Sol | 4.32 ＃1 | −3.44 | 3.49 |
| Kimi K3 | 4.39 ＃2 | −0.24 | 4.37 |
| Qwen3.8-Max | 4.56 ＃3 | ＋1.02 | 4.56 |
| 豆包 | 5.64 ＃5 | ＋4.82 | 3.31 全场最小 |
| Claude Opus 5.5 | 15.90 ＃11 | −15.9 全场最严 | 4.20 |
Sol、Kimi、千问三家区间重叠，并列最佳评委；千问从上期第七升到第三。豆包是本期最有意思的一席：打分一贯偏宽 4.82 分，原指标排第五，扣掉尺度后偏差 3.31，全场最小，评诗的眼光其实最好。Opus 5.5 是另一个极端：评什么都比共识低 15.9 分，原指标垫底、不在公布的前十里，去尺度后 4.20 与前列相当。Anthropic 这条线一贯偏严，九月是 −11.9，本期更甚。谁要拿它们当自动评委，得先把尺度校准回来；两栏数字摆在那里，读者自己分辨是苛还是差。
席位与披露
- 一厂一席、同厂择优。Meta 席 Muse Spark 1.2 与 1.3、深度求索席 V4 Pro 与 V4.1 Flash 都考了全卷：1.3 三轨与 1.2 并列、诗评显著更差，留 1.2；Flash 诗才比 Pro 低 6.0 分显著，留 Pro。落选两款的答卷照常公开，不计入共识与名次。
- OpenAI 席：一席一模型。GPT-6.1 Sol 考全卷。它的诗才区间上限低于榜首下限，按事先公布的规则触发同厂旗舰 GPT-6 Astra 小样预考，其后又补考了诗才与诗评全卷：判律 40 题 Astra 显著领先（＋11.8），诗才 24 首＋1.9、诗评略差，都是统计并列。一个席位只由一个模型应考，本期四轨均计 Sol；Astra 全部答卷存档、随开卷公开，不计入任何榜单，下期全卷应考。
- 字节席换型号。由 Doubao Seed 2.1 换为滚动更新的 doubao-seed-evolving，榜面注「2026 年 10 月测」。
- 未入席。MiniMax M3 试考控律，交卷率不足，未入席。
- 全换新题与引擎修订。四卷均为当期新生成；规则引擎本期起对多音字只在读音确定时判出律，读音两可的字给出两读说明。
- 评分标准换届。诗才、诗评改用《格律诗诗评标准 v2（2026Q4）》，四维加减分，写诗前公示。
- 赛后开卷。九月卷的题目与全部答卷随本期发榜公开，见九月卷开卷（附律诗对仗勘误）；十月卷随下期发榜公开。
成本
十一席四轨加同厂择优、预考与补考，本期调用费用共约 336 美元，低于 345 美元的预算。分席费用见成本榜，随开卷更新。
结论：读谱拉不开，写诗拉开了，评诗要看两栏
读谱拉不开。判律前九名一个区间，千问登顶更多是点估计的起落；真正分出高下的是错字定位，Grok 最准。
写诗拉开了。Opus 5.5 诗才 87.4，与次席区间不重叠，是诗才榜第一次有明显领先的榜首；控律千问连庄，「只犯失粘」仍是全场难题。
评诗要看两栏。按原指标 Sol、Kimi、千问并列最佳评委；扣掉尺度只看眼光，豆包最好，Opus 5.5 也在前列。下期起，读诗评榜请连着「尺度偏移」一起读。
方法：判律／控律由确定性规则引擎逐字核验；诗才／诗评为全席双盲互评、去己去同门共识。本期口径与完整榜面见声律榜、诗才榜、诗评榜。