格律榜 · 判律榜 / 控律榜

判律榜 · 谁读得懂谱

给一首律诗或绝句，模型须逐字判定七类格律问题——平仄有误（并指出具体错字）、用韵、孤平、三平尾、三仄尾、失粘、重字。综合分＝七类判定的 F1 宏平均×100；错字分＝平仄错字定位的字级 F1×100（多音字不计分）。

1qwen3.8-max-0902 90.0

2deepseek-v4-pro-0813 89.7

3kimi-k3.1-pro 89.6

4grok-4.7 89.3

5gemini-4-argon 88.9

6claude-opus-5.5 88.8

7doubao-seed-evolving 87.9

8glm-5.3 87.6

9gpt-6.1-sol 86.7

10muse-spark-1.2 84.4

横轴自 75 起；条端细横线为 95% 置信区间。

#	模型	公司	发布	综合分	95% 置信区间	错字	有效卷	平仄	用韵	孤平	三平	三仄	失粘	重字
1	qwen3.8-max-0902	阿里	2026-09-03	90.0	[87.3, 92.4]	69.3	206	74.6	93.5	85.7	89.7	88.1	98	100
2	deepseek-v4-pro-0813	深度求索	2026-08-13	89.7	[87.0, 92.2]	67.8	190	68.6	98	87.3	88.5	91.5	93.9	100
3	kimi-k3.1-pro	月之暗面	2026-10-23	89.6	[86.8, 91.9]	65.8	209	72.9	94.7	85.7	87.1	88.1	100	98.2
4	grok-4.7	xAI	2026-09-21	89.3	[86.7, 91.6]	72.3	208	68.2	94.9	86.2	88.9	90.6	98.2	98.1
5	gemini-4-argon	Google	2026-10-13	88.9	[86.2, 91.3]	46.9	225	67.3	96.8	83.3	90.6	90.9	98.1	95.2
6	claude-opus-5.5	Anthropic	2026-09-22	88.8	[86.1, 91.1]	47.4	213	62.4	98.2	85.7	90.3	89.7	94.9	100
7	doubao-seed-evolving	字节	2026 年 10 月测	87.9	[85.1, 90.3]	49.3	211	65.2	91.5	79.4	91.5	89.2	98.2	100
8	glm-5.3	智谱	2026-08-18	87.6	[84.4, 90.1]	44	209	64	92.9	84.1	89.3	91.8	98.1	93.3
9	gpt-6.1-sol	OpenAI	2026-09-29	86.7	[84.1, 89.0]	42.1	208	51	94.7	83.1	88.5	89.7	100	100
10	muse-spark-1.2	Meta	2026-08-05	84.4	[80.9, 87.0]	63.5	191	61	78.4	83.9	84.6	86.3	96.3	100

95% bootstrap 置信区间重叠视为统计并列——判律榜 qwen3.8-max-0902（90.0）居首，前九名区间均与榜首重叠，为统计并列的第一梯队。错字分单列，衡量能否精确指到出错的那一个字，grok-4.7（72.3）最准。后列七项为各类判定的 F1（%）。本期参评 11 席，只列前十，第 11 名 hunyuan-hy4-preview（83.7）见开卷数据。

控律榜 · 谁驾驭得住规则

命模型按令写诗——要么写一首完全合律的，要么写一首「只带指定的某一种病、其余全对」的。引擎逐字核验它到底做没做到，三档评分（写出指定病且不含其它病＝满分；意外附带别的病＝半分；没写出＝零分）。这一步装不出来：不彻底吃透规则，就没法精准地只违反其中一条。

1gemini-4-argon 98.6

2qwen3.8-max-0902 92.5

3gpt-6.1-sol 88.3

4deepseek-v4-pro-0813 87.0

5muse-spark-1.2 86.9

6claude-opus-5.5 86.8

7grok-4.7 83.9

8kimi-k3.1-pro 82.5

9hunyuan-hy4-preview 80.1

10glm-5.3 78.7

横轴自 70 起；条端细横线为 95% 置信区间。

#	模型	公司	发布	控律分	95% 置信区间	合律	平仄	用韵	孤平	三平	三仄	失粘	重字
1	gemini-4-argon	Google	2026-10-13	98.6	[96.4, 100.0]	100	100	100	95	100	100	95	100
2	qwen3.8-max-0902	阿里	2026-09-03	92.5	[88.3, 96.4]	100	100	90	98	90	95	75	100
3	gpt-6.1-sol	OpenAI	2026-09-29	88.3	[83.3, 92.8]	100	95	100	85	90	80	65	100
4	deepseek-v4-pro-0813	深度求索	2026-08-13	87.0	[81.6, 92.0]	95	95	75	100	95	90	60	98
5	muse-spark-1.2	Meta	2026-08-05	86.9	[81.9, 92.2]	100	90	65	95	95	78	80	100
6	claude-opus-5.5	Anthropic	2026-09-22	86.8	[81.7, 91.4]	100	100	90	85	80	90	60	100
7	grok-4.7	xAI	2026-09-21	83.9	[78.7, 89.1]	70	95	92	95	95	80	60	90
8	kimi-k3.1-pro	月之暗面	2026-10-23	82.5	[77.2, 87.5]	100	100	88	78	60	85	60	100
9	hunyuan-hy4-preview	腾讯	2026-08-28	80.1	[74.4, 86.1]	95	82	45	95	85	90	65	95
10	glm-5.3	智谱	2026-08-18	78.7	[72.7, 84.6]	100	92	68	68	65	78	70	98

控律分按难度加权（实证权＝各类犯成率的倒数，>0.2 截断）：白给的重字、三尾不当噪声算，通盘推演的孤平、失粘权重最高。每类 20 首、全卷 160 首；后列各数为该类合规率（%）。gemini-4-argon（98.6）居首，与次席 qwen3.8-max-0902（92.5）的区间在 96.4 处相接，与其余各席不重叠。本期参评 11 席，只列前十，第 11 名 doubao-seed-evolving（74.7）见开卷数据。

方法要点

• 裁判是规则。七类问题全部由确定性规则引擎逐字判定，同一首诗结果永远一致，不含随机性，也不由语言模型「感觉」对错。
• 题目 100% 现场生成。命参评模型就古人未写过的现代题材现场作诗，查重防回流后入库；作品在测评发生前不存在于世上任何角落，构造上免疫训练污染。
• 一厂一席、同厂择优。每家只留最强的一个在架版本。本期 Meta 席 Muse Spark 1.2 与 1.3、深度求索席 V4 Pro 0813 与 V4.1 Flash 都考全卷，裁定由 Muse Spark 1.2、V4 Pro 0813 占席，落选两款答卷照常公开。字节席为持续更新的无版本号模型，注「2026 年 10 月测」。MiniMax M3 本期试考控律，交卷率不足，未入席。
• 接入通道。各大模型通过 OpenRouter 或 302.AI 聚合通道调用。

披露与勘误

• 全换新题。本期控律题材、判律卷均为当期新生成，与上期分数不可直接比较；上期题目与答卷已随本期开卷公开，见九月卷开卷。
• 引擎修订。本期起规则引擎对多音字只在读音确定时判定出律；现代词表只作提示、不再定读，读音两可的字给出两读说明。判律卷标准答案在出卷时固定。
• 补答规则。调用失败或答卷解析不出的题目，按放宽档补答一次；「有效卷」列即计入补答后成功成文的题数，各席答题数因此不同。
• 同厂旗舰预考。OpenAI 席由 GPT-6.1 Sol 应考；GPT-6 Astra 小样预考与补考：判律显著领先，诗才、诗评与 Sol 统计并列，详见开卷。

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）。你也可以打开格律检查工具，亲手拿任意一首诗验证裁判。