Gemini 3.8 Flash 上诗韵榜：Flash 顶掉了 Pro——控律守住榜首，诗评从第 8 升到第 4，判卷成本减半
二〇二六年九月二日
Google 这一轮没有出 Pro。从 3.5 到 3.8，一路都是 Flash；API 里 Pro 线停在二月的 3.1，连 gemini-pro-latest 这个别名都还指着它。于是我们碰到一个榜单从没遇到过的问题：一个「小杯」，有没有资格顶掉「大杯」上榜？规则早写好了——同一厂商多条产品线，取本榜综合分最高的一款定席，对所有厂商一视同仁。那就考。四榜同卷，Gemini 3.8 Flash 对 Gemini 3.1 Pro。
四榜总览：新席、旧席、该榜榜首
对照口径固定：新席｜同门旧席｜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」。方括号是 95% 置信区间。
| Gemini 3.8 Flash | Gemini 3.1 Pro8-23 发布版 | 该榜榜首 | |
|---|---|---|---|
| 判律榜综合分 · 七类判定 F1 统计并列 | 86.2#7 · [82.7, 89.1] 错字分 54.3 | 84.8#6 · [81.7, 87.6] 错字分 52.7 | 88.9Doubao 2.1 #1 错字分 70.1 |
| 控律榜控律分 · 实证权 统计并列 | 61.2#1 · [54.2, 68.7] | 58.5#1 · [51.1, 66.4] | 本人居首第二 DeepSeek 57.9 |
| 诗才榜诗才分 · 五维双盲互评 统计并列 | 69.9#5 · [66.6, 73.0] 20 首 | 65.0#8 · [61.1, 69.0] 18 首 | 76.3Fable 5.1 #1 |
| 诗评榜与共识偏差 · 越小越准 明显提升 | 5.64#4 · 去偏移 5.19 | 8.72#8 · [7.80, 9.69] 去偏移 8.79 | 4.71Kimi K3 #1 |
判律：读诗的本事和 Pro 一样，没进步也没退
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。
86.2 对 84.8，区间大面积重叠，第 7 名对第 6 名（旧席的第 6 是 10 席里的，新席的第 7 是 11 席里的，中间多了混元）。错字分 54.3 对 52.7，都在中下游。分项里唯一动得多的是「失粘」：78.7 → 86.4，旧席在这一类是全场最低，新席进了中游；其余六类差一两分，是噪声。
七类判定 F1（判律榜分项）
| 3.8 Flash | 3.1 Pro | 该类最高11 席 | |
|---|---|---|---|
| 平仄有误 | 67.7 | 71.2 | 76.7Fable 5.1 |
| 用韵 | 93.9 | 94.5 | 100多席 |
| 孤平 | 76.1 | 72.0 | 77.9DeepSeek |
| 三平尾 | 83.1 | 83.1 | 93.1Qwen3.8 |
| 三仄尾 | 98.2 | 98.2 | 98.4多席 |
| 失粘 | 86.4 | 78.7 | 90.6Fable 5.1 |
| 重字 | 98.1 | 96.3 | 100多席 |
值得记一笔的是它怎么答的：每题平均用 6 851 个词元，是 3.1 Pro 的 1.7 倍——Flash 把思考开满了在算平仄；但单价低，每题反而只要 Pro 的一半（见成本一节）。
控律：守住榜首，「只犯用韵」「只犯三平尾」两项拉开
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，3.1 Pro 原本就是榜首。
八项任务达成率 %（控律榜分项）
| 3.8 Flash | 3.1 Pro | 该项最高11 席 | |
|---|---|---|---|
| 合律 | 90 | 100 | 100多席 |
| 只犯平仄 | 90 | 88 | 90并列 Kimi |
| 只犯用韵 | 100全场最高 | 75 | 100并列 Fable 5.1 |
| 只犯孤平 | 60 | 57 | 80Kimi |
| 只犯三平尾 | 75全场最高 | 55 | 753.8 Flash |
| 只犯三仄尾 | 82 | 90 | 95多席 |
| 只犯失粘 | 20 | 25 | 35Muse |
| 只犯重字 | 100 | 95 | 100多席 |
61.2 对 58.5，还是第 1，区间照旧重叠——这张榜从第 1 到第 11 几乎全部重叠，谁也不能称显著。看得见的是两项「精确犯病」：「只犯用韵」75 → 100、「只犯三平尾」55 → 75，都是全场最高。代价是「完全合律」100 → 90、「只犯三仄尾」90 → 82。「只犯失粘」全场没有一家过 35，Flash 也不例外。
诗才：从第 8 到第 5，一个 Flash 写过了三家旗舰
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），去掉作者本人和同门评委的分。题目是当期机密，这里不列。
69.9 对 65.0，区间擦着边重叠（新席下沿 66.6，旧席上沿 69.0），按口径仍是统计并列；名次从第 8 升到第 5，超过了 DeepSeek、Doubao、Kimi 三家旗舰。绝句均 71.8，律诗均 68.0——和多数席位一样，律诗比绝句难。20 首全部有效，没有空稿。
整卷不公开，只摘评分最高的一首（去己去同门共识 80.3）里的一联：
写的是一处现代交通场景。上句把空间压成一个瞬间，下句把「刚离开」写成余温——不用一个新词，当代经验全在里面。它另一首 80.3 分的七绝也是这个路数：把一件小机器写成人心的隐喻，结句翻一层。短处在律诗：八句里中间两联的对仗常常工整有余、推进不足，评委给的「章法」分普遍低于绝句。
诗评：从第 8 到第 4，这次是眼力变好了
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。3.1 Pro 在发布版是第 8（8.72），3.8 Flash 是 5.64，第 4，只在 Kimi、Doubao、Muse 之后。
偏差可以拆成「尺度」和「眼力」两半。上一篇 Fable 5.1 的退步全在尺度（评什么都低 10 分），眼力还在。Gemini 这次相反：
| 3.8 Flash顶替后池 | 3.1 Pro发布版池 | Kimi K3榜首 | |
|---|---|---|---|
| 平均绝对偏差与共识，越小越准 | 5.64#4 | 8.72#8 | 4.71#1 |
| 尺度偏移负=偏严，正=偏宽 | +2.35 | −1.67 | −1.72 |
| 去偏移偏差越小=眼力越好 | 5.19 | 8.79 | 4.58 |
| 秩相关 ρ | 0.880 | 0.875 | 0.851 |
| 低于共识打分占比 | 36%190 份 | — | 61% |
3.1 Pro 的尺度本来就不偏（−1.67），它的 8.72 几乎全是眼力问题：去偏移偏差 8.79，全榜最差。3.8 Flash 把这一项压到 5.19，尺度略宽（+2.35，36% 的打分低于共识，Kimi 是 61%）。它比 Pro 会看诗了，而且看得稍微宽厚一点。
它最重的一笔也说明眼力：某席交了一首把唐人崔护《题都城南庄》原样搬来的七绝，连原诗题都带进了句子里。评委席在这首诗上分成两半：Doubao 和 3.8 Flash 给了 0 分，Fable 5、DeepSeek 给了不到 3 分；而 Kimi、GPT-5.6 Sol、Gemini 3.1 Pro 给了 58 到 66 分——没看出来。3.8 Flash 五维全零，「蹈袭」「硬伤」两项顶格扣罚，评语只有一句话：
全盘抄袭唐代崔护《题都城南庄》，更将原诗题误植入句，与题目毫无关联，题文严重割裂。全无原创性与主脑，蹈袭与硬伤顶格扣罚。
这是对的。我们的评分标准写明蹈袭一票否决；同门旧席 3.1 Pro 恰好是没看出来的那一半，新席看出来了，还按标准执行到底。顺便一提：交卷的那一席自评给了自己 75.25 分——自评本来就不计入，但这个数字也说明它没意识到那是抄的。有诗为证：
评官半席浑无觉，自阅犹标七五功。题某席交卷事 · 七绝 · 平水韵一东，用崔护原韵；引擎判合律
反过来它最宽的一笔（+18.5）给了一首写当代物流的七律，评语称「取象精切，化科技经验入诗而不隔」——那首诗共识 72.8，它给 91.3，偏爱明显，但理由说得清楚。
成本：判卷减半，评卷是 Fable 5.1 的十分之一
| 3.8 Flash | 3.1 Pro | Fable 5.1参照 | |
|---|---|---|---|
| 判律均价／题美元 | 0.025230 题 | 0.046206 题 | 0.052236 题 |
| 判律均词元／题 | 6 851 | 4 046 | 1 334 |
| 诗评均价／份 | 0.0054190 份 | — | 0.050191 份 |
| 标价每百万词元 输入／输出 | $0.75 / $3.75 | — | $10 / $50 |
Flash 的思考比 Pro 长得多（词元 1.7 倍），但标价低一个量级，落到账单上判律每题 $0.046 → $0.025，省 46%；诗评每份 $0.0054，是 Fable 5.1 的十分之一、Kimi 的三分之一。榜单每期全席重考约 $300，Google 这一席换成 Flash，是十一席里最便宜的两家之一。
结论：换席
四榜里三榜统计并列（判律、控律、诗才），一榜明显提升（诗评）；点估计四榜全高；成本减半。按「同厂多线择优，取本榜综合分最高的一款」的规则，Google 席由 Gemini 3.8 Flash 接替 3.1 Pro——这是榜单第一次让一个 Flash 顶掉一个 Pro，规则对所有厂商一样，我们也照办。
压成三句话：读诗持平（判律 86.2 对 84.8，失粘那一类补上了短板）；写诗更好（诗才第 8 → 第 5，控律守住榜首、两项精确犯病全场最高）；评诗准多了（眼力从全榜最差到中上，抓抄袭抓得比谁都狠）。
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「明显提升」。Google 什么时候出 3.8 Pro，我们再考一次。
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。