Fable 5.1 上诗韵榜：错字定位大涨、诗才守住榜首，当评委却变成了「严师」

9 月 1 日 Anthropic 发布 Claude Fable 5.1。官方材料和随后的各家整理稿谈的是编程、科研、缓存价格和企业部署；我们关心的问题窄得多：一个「.1」升级，在格律诗词这件事上到底动了什么？诗韵榜四榜同卷复测一遍，答案比预想的有意思——三榜守住或略进，一榜从第 3 掉到垫底，而掉的原因恰恰是它「变严了」。

四榜总览：新版、同门旧版、该榜榜首

对照口径固定：新版｜同门旧版｜该榜当期榜首。升降只按 95% 置信区间判——区间重叠一律写「统计并列」，点估计涨零点几分不算数。方括号是 95% 置信区间。

判律：总分并列，错字定位从 52.8 跳到 65.8

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「平仄有误」这一类里能不能把错字指到位。

综合分 88.5 对 87.3，区间大面积重叠，名次第 4 → 第 2 是挤过了 Qwen 的 88.2 和 DeepSeek 的 87.4，离榜首 Doubao 的 88.9 只差 0.4。真正动了的是错字分：52.8 → 65.8，涨 13.0。这一项旧版在发布版 10 席里排倒数第二，新版进了前列，仍落后榜首 Doubao 的 70.1。

七类判定 F1（判律榜分项）

分项看，「平仄有误」76.7 是全场最高，「用韵」判到 100，「失粘」90.6 也是全场最高；孤平、三平尾、三仄尾与旧版一分不差，重字退两分，在噪声里。换句话说，新版把最难的一类（逐字辨平仄）往前推了一截，别的类持平。顺带一提，新版 236 题全部有效作答，同门回避后计 213 题；旧版当期有效卷 213。

控律：写命题诗守规矩，名次升两位，但全榜本就挤在一起

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。这是四榜里最难的一张卷，榜首也只有 58.6 分。

八项任务达成率 %（控律榜分项）

55.0 对 51.1，名次第 8 → 第 6，与 Qwen3.8-Max 同分。但要老实说：这张榜从第 1 到第 11 的置信区间几乎全部重叠，任何两席之间都不能称「显著」。能看的是分项：「只犯三仄尾」55 → 80、「只犯三平尾」25 → 45、「只犯孤平」40 → 55、「只犯用韵」80 → 100——这四项都是「故意犯一个指定的病、别的地方不能错」，要求对格律有精确的控制，新版明显更听指挥。代价是「完全合律」100 → 95、「只犯平仄」85 → 75。

「只犯失粘」全场最高 35，新版 20，旧版 30。失粘是通盘推演类的病：要写出一首失粘、又不带任何其他毛病的七绝，等于先把整首正格写对再精确挪一联。这一项目前没有一家过关。

诗才：守住榜首，点估计还低了一分

诗才榜是 20 个现代命题，每题七绝、七律各一首，全席双盲互评，五维打分（立意、意境、语言、章法、余味），去掉作者本人的分。题目是当期机密，这里不列。

新版 76.3，旧版发布时 77.5，区间重叠，仍是榜首，第二 GLM-5.3 74.6、第三 GPT-5.6 Sol 74.4 都在两三分之内。点估计低了一分，但这一分不能全算在作品头上：评委席换了——新版自己是个严评委（下一节），它给别人打低分的同时，别人的共识也被它拉低；旧版发布时评委席里没有它。这一榜「.1」没有拉开差距，也没有掉。新版 19 首入榜对旧版 17 首——两版在同一道七绝题上都交了空稿，其余是评分环节的缺样。

整卷不公开，只摘新版评分最高的一首（去己共识 87.1）里的一联：

题面是一处当代街景，前两句交代物事，这一联把眼前的人造物看成天象、再把一街春色与病态并置，反讽藏在写实里，评委给的分高在这里。同题旧版走的是拟人自述、以乡愁收束，稳，但少了这一层翻转。新版另一首七律（85.9）里，视频卡顿、时差、熄屏后映出自己的脸，三处都是只有当代人才写得出、又没有一个新词的句子——这是我们对「用旧体写今事」最想看到的样子。

诗评：从第 3 掉到垫底，掉的是尺度不是眼力

这是四榜里唯一退步的一榜，也是最值得说的一榜。

诗评榜让每一席给所有作品打分，与「去掉自己和同门后的共识分」比，平均绝对偏差越小越准。发布版里 Kimi K3 第 1（4.4），Doubao 第 2，Fable 5 第 3（4.96）。Fable 5.1 的平均绝对偏差是 10.48，11 席垫底。

但平均绝对偏差把两件事混在一起：尺度宽严和判断力。一位每题都比共识低 10 分、但排序完全跟得上的评委，偏差会等于那 10 分。所以榜面另出三列——尺度偏移、去偏移偏差、秩相关——把它拆开：

GPT-5.6 Sol 作参照：尺度偏移 +7.31、去偏移偏差 3.79（第 1）、低于共识 4%。

拆开之后画面清楚了：新版给分平均比共识低 10 分（55.9 对 66.2），191 份打分里 97% 低于共识——Kimi 是 61%，GPT 是 4%。但去掉这个整体偏移之后，偏差 4.25，全榜第 2（第一 GPT-5.6 Sol 3.79），秩相关 0.893 也在前列。它不是不会看诗，是看什么都不满意。旧版其实已经偏严（−4.30），新版把这个倾向放大了一倍多。

最严的一次，它给一首共识 68.0 的七绝打了 44.25，低了 23.8 分。评语里对这首诗的判断是这样的（作品与题目不公开，只摘评语的论断部分）：

前二句纯是陈套铺垫，与题无涉；三句方切入新境却语意含混，结句与题面意象强行拼接，留白有余而所指不明，古今融合未成一体。

这段话作为诗评，每一句都成立——前两句确实是套话，结句确实是硬拼。问题在于别的评委也看见了这些毛病，只是没有扣到 44 分。新版在「警句」「出新」两维给了 1 分（满分 10），「陈滥」2 分——它对「用陈套开头」这件事的容忍度，比整个评委席低一个档。

这和 Anthropic 自己宣传的方向是一致的：发布材料反复讲新版「减少走捷径、更克制」，第三方代码评审平台的测试也报告它评论条数少了三分之一、琐碎意见少了七成。放到诗评上，「克制」变成了「苛刻」——它不再顺着共识打分，而是按自己的标准扣。作为评委这是缺点，作为诗评这未必是。我们的榜面主分仍是原始的平均绝对偏差，名次照掉；三列分解指标摆在那里，读者自己分辨是苛还是差。

成本：这一次，反而更省了

官方定价没变（输入 $10、输出 $50 每百万词元），各家整理稿都提到新版推理更满、输出词元约为前代 1.7 倍、单任务反而更贵。我们判律榜的账单不是这样：

判律答卷账单

每题均价 $0.064 → $0.052，省 19%；均词元 1 581 → 1 334，少 16%。判律题是短任务——一首诗、一份结构化判定——新版没有在这种题上多想，反而答得更短。「输出翻 1.7 倍」大概是长程智能体任务的事，和这里无关。本期计费的席位里它的单题成本排第 4，与 GPT-5.6 Sol 持平，是 DeepSeek 的 5.6 倍。

结论：读得更准、写得没退、评得更严

把四榜放在一起，Fable 5.1 在格律诗词上的变化可以压成三句话：

读诗更准了。判律错字定位 +13.0，「平仄有误」全场最高，全部答卷有效——这是「.1」里最实的一项进步。

写诗没退。诗才守住榜首，控律的四项「精确犯病」任务明显更听指挥；两榜的总分都在区间里，别把「第 8 → 第 6」读成实力跃迁。

评诗变严了。诗评榜从第 3 掉到垫底，97% 的打分低于共识，平均低 10 分——判断力（去偏移 4.25、ρ 0.893）还在前列，只是尺度整体下移。谁要拿它当自动评委，得先校准这 10 分。

最后说一句口径：以上升降全部按 95% 置信区间判，四榜里只有诗评榜是「明显退步」，其余三榜都是「统计并列」。我们宁可少说一次「提升」。

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、去己共识。本期口径与完整榜面见 声律榜、诗才榜、诗评榜。