换席复测

Claude Opus 5.5 上诗韵榜：诗才明显胜过 Fable 5.1，看诗最准，给分最严

2026-09-24 · 二〇二六年九月榜

9 月 22 日 Anthropic 发布 Claude Opus 5.5。Anthropic 席位此前是 Fable 5.1，按「同厂多线择优」的规则，我们让 Opus 5.5 和 Fable 5.1 四榜同卷对考。结论先放在这里：判律、控律统计并列；诗才明显高于 Fable 5.1，与榜首 GPT-6 Astra 并列；诗评看诗最准，但给分最严，榜面排在最后；四轨花费不到 Fable 5.1 的三分之一。Opus 5.5 已顶替 Fable 5.1 进入 Anthropic 席位。

#2 持平判律榜综合 88.7

#3 持平控律榜 89.4

#2 明显高诗才榜 82.7

#11 ↓2诗评榜偏差 11.86

外界怎么说

Anthropic 的发布材料主打「更便宜、更强」：标价每百万词元输入 4 美元、输出 20 美元，比 Fable 5.1 和 GPT-6 Astra 低六成；上下文一百万。自报成绩里 Terminal-Bench 4.0 得 66.4%，Astra 57.9%，Fable 5.1 55.8%；GDPval-AA 1846 Elo，Astra 1542。Artificial Analysis 复测后把它排到智能指数第一，58 分，Astra 53；但 Terminal-Bench 只复测出 59.6%，比自报低近 7 分，和 Astra 打平。评论界挑的毛病主要是话多：最高档一个任务吐 11.9 万词元，Astra 只要 2.7 万，按词元省下的钱可能被话多吃掉。代码质量方面，Sonar 的独立评估说它写同样的题少写 27.5% 的代码、问题总数少 42%。Anthropic 自己也说，到了这个水平，基准分差已经不太能反映真实差距。

这些评测没有一项碰过中文，更没有一项碰过格律。我们的四张卷子很窄：读诗、按令写诗、命题写诗、评诗。窄有窄的好处，规则公开、可推演，判分不靠感觉。

四榜总览：新席、同门旧席、该榜榜首

对照口径固定：新席｜同门旧席｜该榜当期榜首。Opus 5.5 不是 Fable 5.1 的升级版，而是同一家的另一条产品线，所以这里的「同门旧席」指它顶替的 Fable 5.1。升降只按 95% 置信区间判，区间重叠一律写「统计并列」；判律、控律另做同卷配对重采样，差值区间不含零才写「明显」。方括号是 95% 置信区间。

	Opus 5.5	Fable 5.1同门旧席	该榜榜首
判律榜综合分 · 七类判定 F1 统计并列	88.7#2 · [85.8, 91.2] 错字分 51.9	88.5#2 · [86.0, 90.7] 错字分 65.8	88.9Doubao Seed 2.1
控律榜控律分 · 实证权统计并列	89.4#3 · [84.9, 93.8]	89.8#3 · [85.3, 94.4]	93.7Qwen3.8 Max
诗才榜诗才分 · 五维双盲互评明显高	82.7#2 · [79.7, 84.9] 零出律 95%	75.4#2 · [73.2, 77.8] 零出律 95%	83.3GPT-6 Astra
诗评榜与共识偏差 · 越小越准榜面明显低	11.86#11 · [11.17, 12.61] 去偏移 4.01 · ρ 0.933	8.94#9 · [8.21, 9.65] 去偏移 4.44 · ρ 0.922	4.37GPT-6 Astra

口径说明。新席取 2026-09-24 榜面，即 Opus 5.5 顶替 Fable 5.1、Grok 4.7 顶替 Grok 4.6 之后的 11 席。旧席一栏不是 9 月 4 日的旧榜面，而是在同一批题目和评委下、把两处换席都退回去重算的结果，这样两栏同一口径，都用升级后的规则引擎计分。同门回避照旧：Opus 5.5 与 Fable 5.1 同属 Anthropic，互不判题、互不打分，算共识时也剔除。判律、控律由规则引擎判分，各席互不影响；诗才、诗评是互评榜，评委席一变，别家的分也会动零点几。榜面只公布前十，诗评榜的 Opus 5.5 排第 11，不在公布的表里。判律 236 题、控律 160 首、诗才 10 个命题各写七绝七律、诗评 194 份打分。题目与答卷按榜单纪律不公开。

判律：总分并列，会判病类，错字定位却退了

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。

综合分 88.7 对 88.5，212 道同题配对差值 −0.1，区间 [−1.7, +1.5]，并列，两者都排第 2，离榜首 Doubao 只差零点几。和 GPT-6 Astra 比，184 道同题配对差值 +3.0，区间 [+1.6, +4.6]，明显高。

七类判定 F1（判律榜分项）

	Opus 5.5	Fable 5.1	该类最高11 席
平仄有误	66.7	76.7	73.7Grok 4.7
用韵	100全场最高	100	100多席
孤平	82.4全场最高	74.7	82.4Opus 5.5
三平尾	81.3	81.3	93.1Qwen3.8 Max
三仄尾	98.3	98.3	98.4多席
失粘	92.1全场最高	90.6	92.1Opus 5.5
重字	100	98.2	100多席

Opus 5.5 把孤平和失粘两类做到了全场最高，比 Fable 5.1 各高一截。退的是最难的一类：「平仄有误」76.7 降到 66.7，错字分 65.8 降到 51.9，低了 14 分。它报的出律字多、命中的少，「知道这首诗有病」和「指出病在哪个字」之间还有一段距离。Fable 5.1 当初最亮眼的正是错字定位，这一项 Opus 5.5 没接住。

控律：统计并列，短板在「只犯用韵」

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。

八项任务达成率 %（控律榜分项）

	Opus 5.5	Fable 5.1	该项最高11 席
合律	100	95	100多席
只犯平仄	95	90	100多席
只犯用韵	78	100	100Astra／Gemini
只犯孤平	95	95	100Qwen／Kimi
只犯三平尾	95	88	100DeepSeek／Grok 4.7
只犯三仄尾	95	90	100Qwen／Astra
只犯失粘	68	70	80Astra
只犯重字	100	98	100多席

89.4 对 89.8，名次同为第 3，配对差值 −0.4，区间 [−7.1, +6.6]，并列；对 Astra 差值 −4.2，区间 [−10.3, +1.5]，也是并列。八项里六项持平或略高，短板很集中：「只犯用韵」78，Fable 5.1 是 100。要它故意出一个韵，它常常连别处也一起写错。

诗才：明显胜过 Fable 5.1，与榜首并列

诗才榜是 10 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，不合律的作品按声律系数折算。题目是当期机密，这里不列。

Opus 5.5 得 82.7，区间 [79.7, 84.9]；Fable 5.1 是 75.4 [73.2, 77.8]，两者区间不相交，明显高。榜首 GPT-6 Astra 83.3 [82.3, 84.5] 与它区间相交，属并列第一梯队。20 首里 19 首引擎核验全净，律诗 84.4、绝句 80.9，律诗比 Fable 5.1 高了 8.6 分。

整卷不公开，只摘它一首七绝（共识 88.3）的后两句：

一灯红上青冥去，独向繁星认是谁。Claude Opus 5.5 · 七绝 · 该首共识 88.3

前两句写隔着一层薄玻璃的告别，到这一联，一点红灯升进夜空，抬头去认哪一颗才是它。它把当代场景写成了古人「望归舟」的姿势，不落一个新词，写的却是新经验。

诗评：看诗最准，给分最严

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。偏差可以拆成「尺度」和「眼力」两半。

	Opus 5.5	Fable 5.1	GPT-6 Astra榜首
平均绝对偏差与共识，越小越准	11.86#11	8.94#9	4.37#1
尺度偏移负=偏严，正=偏宽	−11.86	−8.75	−1.85
去偏移偏差越小=眼力越好	4.01全场最小	4.44	4.10
秩相关 ρ	0.933全场最高	0.922	0.895

Opus 5.5 的 11.86 几乎全是尺度问题：它评什么都比共识低 11.86 分，是全场最严的评委。把这个整体偏移扣掉，偏差只剩 4.01，全场最小；排序一致性 0.933，也是全场最高。换句话说，它看诗最准，但给分的标尺压得最低。Anthropic 这条线一贯偏严，Fable 5.1 偏移 −8.75，Opus 5.5 更甚。诗评榜现行口径按平均绝对偏差排名、不校正尺度，所以它在这一榜排第 11，榜面只公布前十，表里没有它。三列分解指标摆在那里，读者自己分辨是苛还是差。

成本：四轨合计不到 Fable 5.1 的三分之一

	Opus 5.5	Fable 5.1	GPT-6 Astra
判律均价／题美元	0.020	0.052	0.060
判律均词元／题	1 275	1 334	1 447
诗评均价／份美元	0.017	0.050	0.044
四轨合计美元，写诗一项为估算	≈10.4	≈36.2	≈29.3
标价每百万词元输入／输出	$4 / $20	$10 / $50	$10 / $50

四轨合计约 10.4 美元，是 Fable 5.1 同样活的 29%，Astra 的 35%。外界担心的「话多」在我们这四张短卷子上没有出现：判律每题 1 275 词元，比 Fable 5.1 和 Astra 都少。短任务上，标价便宜六成就是实打实便宜六成。

结论：读诗并列、写诗更好、评诗最严

读诗并列。判律与 Fable 5.1 并列，明显胜过 Astra；孤平、失粘两类全场最高，但错字定位退了 14 分。

写诗更好。诗才明显胜过 Fable 5.1，与榜首 Astra 并列；控律并列，短板在「只犯用韵」。

评诗最严。眼力全场第一，尺度全场最严，按现行口径榜面排第 11。谁要拿它当自动评委，得先把这 12 分校准回来。

四榜里一榜明显高、一榜榜面明显低、两榜并列，而花费不到三分之一。据此，Opus 5.5 顶替 Fable 5.1 进入 Anthropic 席位。

外界评论来源

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。

查看完整榜单 →