格律判断与驾驭评测

格律榜 · 判律榜 / 控律榜

谁最懂格律 —— 格律榜下辖两榜：判律榜命大模型像规则引擎一样，逐字判断一首近体诗的格律对错；控律榜命它按令写诗、外科手术式地驾驭规则。会判不等于会写，故两榜各评各分、一榜一冠军，分列不并。

二〇二六年九月榜 · 数据截至 2026-09-24 · 裁判为确定性规则引擎

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）。

#	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	doubao-seed-2.1	字节	2026-06-28	88.9	[85.8, 91.1]	70.1	221	71.9	100	75.4	87.3	98.2	89.6	100
2	claude-opus-5.5	Anthropic	2026-09-22	88.7	[85.8, 91.2]	51.9	212	66.7	100	82.4	81.3	98.3	92.1	100
3	qwen3.8-max	阿里	2026-08-03	88.2	[85.7, 90.6]	65.5	207	72.6	98.2	68.6	93.1	97.9	88.9	98.2
4	grok-4.7	xAI	2026-09-21	87.6	[84.8, 90.0]	73.4	236	73.7	92.3	77.9	81.6	98.4	89.6	100
5	deepseek-v4-pro-0813	深度求索	2026-08-13	87.4	[84.6, 89.9]	68.5	233	66.7	98.4	77.9	83.8	98.3	87	100
6	kimi-k3	月之暗面	2026-07-16	86.5	[83.2, 89.3]	66.3	215	73.2	91.8	72.2	82.9	95.8	89.6	100
7	hunyuan-hy4-preview	腾讯	2026-08-28	86.3	[83.5, 88.9]	66.4	232	71.6	93.5	74.1	81.6	96.7	87	100
8	gemini-3.8-flash	Google	2026-09-02	86.2	[83.1, 89.3]	54.3	201	67.7	93.9	76.1	83.1	98.2	86.4	98.1
9	gpt-6-astra	OpenAI	2026-09-03	84.4	[81.4, 87.1]	56.1	208	55.7	100	66.7	82.4	98.2	87.7	100
10	muse-spark-1.2	Meta	2026-08-05	83.8	[80.8, 86.5]	61.8	234	55.8	87.5	76.3	81.6	98.4	87	100

95% bootstrap 置信区间重叠视为统计并列——判律榜前四名（豆包、通义千问、深度求索、Fable）区间彼此重叠，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。后列七项为各类判定的 F1（%）——用韵、三仄尾、重字近乎人人全对，把各家拉开差距的是平仄错字、孤平与失粘。

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。

#	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	qwen3.8-max	阿里	2026-08-03	93.7	[89.7, 97.6]	100	100	88	100	95	100	75	100
2	gpt-6-astra	OpenAI	2026-09-03	93.6	[89.7, 97.1]	100	100	100	85	90	100	80	100
3	claude-opus-5.5	Anthropic	2026-09-22	89.4	[84.9, 93.8]	100	95	78	95	95	95	68	100
4	gemini-3.8-flash	Google	2026-09-02	89.1	[84.2, 93.4]	90	98	100	95	90	88	62	100
5	kimi-k3	月之暗面	2026-07-16	88.9	[84.1, 93.4]	95	95	92	100	85	90	65	98
6	deepseek-v4-pro-0813	深度求索	2026-08-13	87.7	[82.3, 92.7]	100	95	75	85	100	95	65	98
7	glm-5.3	智谱	2026-08-18	86.6	[81.0, 91.5]	100	95	90	75	80	85	75	100
8	grok-4.7	xAI	2026-09-21	83.5	[78.6, 88.9]	80	100	92	78	100	80	55	95
9	hunyuan-hy4-preview	腾讯	2026-08-28	83.5	[77.8, 88.7]	100	95	65	90	90	80	60	100
10	doubao-seed-2.1	字节	2026-06-28	79.6	[73.9, 85.1]	95	90	75	75	90	80	48	100

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（%）。区间重叠视为统计并列——榜首一片区间几乎全部重叠，控律仍是全行业的难关，失粘一列尤其普遍偏低。

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、同门新版取代。每家只留最强的一个在架版本；同厂新版发布当日或次日纳入、旧版退役（如 deepseek-v4-pro-0813、grok-4.6、glm-5.3 取代 glm-5.2）。同门择优亦按点估计定席（阿里席由 max 88.2 胜开源 2.4t 86.5、Anthropic 席由 Fable 胜 Opus）。
接入通道。各大模型通过 OpenRouter 或 302.AI 聚合通道调用。

控律口径变更。控律成绩自本次起按升级后的规则引擎计算。引擎补充了词组级多音字定读与韵脚一致性定读，原先因多音字读音未定而无法判断的句子现在可以判断，此前未能识别的孤平、失粘、三平尾与三仄尾现在能够识别，因此全席控律分数普遍上调，与此前公布的数值不可直接比较。判律榜不受影响：判律题目的标准答案在出卷时即已固定，评分不调用引擎重算，本次全部席位的判律分数与此前公布值逐位一致。
题库独立性。本期判律题库存在近重复族群（同一底稿变造出多个变体，独立性受限），bootstrap 置信区间因此略偏乐观；下季起每份底稿限一变体。
补答规则。标准档两次调用失败或超时的题目，统一以 40K token / 900 秒放宽档补答一次；「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。
季中口径升级。韵脚一致性定读、失粘与相关判定同源不双罚等规则在本季施行；判律 #49 因多音字定读后暴露真三平尾，全体答卷据金标准统一重判，名次无变化。
标准化校验。以 z 分数标准化重算，十席名次与生分口径完全一致。

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。