诗评榜

诗评榜 · 最佳评委

诗评榜与诗才榜共用同一批双盲打分：每位评委按《格律诗诗评标准 v1》对每首作品打 0–100 分，取该评委打分与「全场共识」（去掉本评委与作者后的均分）之间的平均绝对偏差（MAD）。偏差越小，说明判断越贴近公论——故本榜数值越小越靠前。

1gpt-6-astra 4.37

2kimi-k3 4.56

3doubao-seed-2.1 4.71

4muse-spark-1.2 5.39

5hunyuan-hy4-preview 5.63

6gemini-3.8-flash 6.05

7qwen3.8-max 6.28

8deepseek-v4-pro-0813 7.59

9grok-4.7 8.17

10glm-5.3 10.02

横轴 2 - 12；条越短越准；条端细横线为 95% 置信区间。成本

#	评委	公司	发布	与共识偏差（MAD）	95% 置信区间	打分数	平均给分	尺度偏移	去偏移偏差	倾向	自评护短
1	gpt-6-astra	OpenAI	2026-09-03	4.37	[3.85, 4.99]	194	64.7	-1.85	4.10	偏苛	+0.0
2	kimi-k3	月之暗面	2026-07-16	4.56	[4.08, 5.06]	196	68.0	-0.43	4.57	偏苛	+3.0
3	doubao-seed-2.1	字节	2026-06-28	4.71	[4.23, 5.21]	196	68.6	+0.46	4.71	居中	+2.5
4	muse-spark-1.2	Meta	2026-08-05	5.39	[4.89, 5.93]	194	69.4	+0.07	5.39	偏宽	+3.7
5	hunyuan-hy4-preview	腾讯	2026-08-28	5.63	[5.02, 6.23]	194	69.2	-0.44	5.62	居中	+3.6
6	gemini-3.8-flash	Google	2026-09-02	6.05	[5.52, 6.59]	194	71.8	+4.36	4.56	最宽	+0.0
7	qwen3.8-max	阿里	2026-08-03	6.28	[5.67, 6.95]	196	72.2	+4.81	4.97	最宽	+5.0
8	deepseek-v4-pro-0813	深度求索	2026-08-13	7.59	[6.72, 8.52]	194	71.0	+3.36	6.37	偏宽	+6.8
9	grok-4.7	xAI	2026-09-21	8.17	[7.50, 8.87]	194	61.2	-7.80	4.13	最苛	+0.0
10	glm-5.3	智谱	2026-08-18	10.02	[9.27, 10.70]	194	75.7	+9.26	4.86	最宽	+11.0

数值为「与共识的平均绝对偏差」，越小越贴近公论；kimi-k3（4.61）、GPT-6 Astra（4.84）与 doubao（4.85）区间重叠，为并列最佳评委；Gemini 3.8 Flash（5.89）列第五，Fable 5.1（9.30）尺度偏严而垫底。最贴近共识不等于「打分最准的绝对真理」——它衡量的是与群体判断的一致度。诗才榜写得最好的席位，未必是诗评榜看得最准的席位（glm-5.3 写诗第二，评诗却位列末段）。

方法要点

• 双盲。评委看不到作者身份，同题横比、剔除自评。
• 共识为锚。「最佳评委」不预设标准答案，而以群体共识为参照——衡量谁与公论最合拍。
• 统一标准、口径公开。评委按公开的《格律诗诗评标准 v1》五维打分（诗才榜页有全文、评分标准页有逐维锚点），未指定温度，随机性由 bootstrap 区间量化，原始打分全量存档、可复现。
• 宽严不左右名次。MAD 度量的是「与共识的一致度」而非给分高低，故整体手松手紧不影响本榜排序；各家的尺度见表中「平均给分／倾向」两列。
• 场外观察员。本季隐身参审的 ox-alpha（后经厂商揭晓为 GLM-5.3-Flash）诗评偏差 6.92——若入正式榜可列第七，但按场外口径不计名次。

完整八条设计原则见 榜单设计原则；各模型完成本套测评的实际调用费用见成本榜（参考）。