律绝写作评测
诗才榜
谁最会写诗 —— 现场命题创作律绝，引擎判律作门槛，双盲多模型互评比风骨。
二〇二六年九月榜 · 数据截至 2026-09-24 · 引擎判律 + 双盲多评委 · 按《格律诗诗评标准 v1》五维评分
诗才榜 · 谁写得最好
参评模型各出一题（管理员按公开原则筛选，不合格责令重出，回避自题），每家就七绝、七律各写若干首，一次成型不挑选。评委按公开的《格律诗诗评标准 v1》五维打分（立意 25／意境 25／语言 20／章法 20／余味 10，另有加减分），写诗前即公示该评分标准。诗才分＝全席评委去自评、去同门后的均分×声律系数（出律作品×0.75）·百分制；95% 区间由 bootstrap 得出。
硅谷诗韵中心 · 诗才榜⧉
83.3
82.7
73.5
69.1
69.0
67.8
65.1
63.0
60.4
55.1
横轴自 45 起；条端细横线为 95% 置信区间。成本
| # | 模型 | 公司 | 发布 | 诗才分 | 95% 置信区间 | 绝句 | 律诗 | 零出律 | 重字率 |
|---|---|---|---|---|---|---|---|---|---|
| 1 | gpt-6-astra | OpenAI | 2026-09-03 | 83.3 | [82.3, 84.5] | 83.6 | 83.0 | 100% | 0% |
| 2 | claude-opus-5.5 | Anthropic | 2026-09-22 | 82.7 | [79.7, 84.9] | 80.9 | 84.4 | 95% | 5% |
| 3 | glm-5.3 | 智谱 | 2026-08-18 | 73.5 | [71.2, 75.7] | 74.1 | 72.8 | 100% | 0% |
| 4 | qwen3.8-max | 阿里 | 2026-08-03 | 69.1 | [66.2, 72.1] | 69.0 | 69.1 | 100% | 0% |
| 5 | gemini-3.8-flash | Google | 2026-09-02 | 69.0 | [65.5, 72.5] | 71.0 | 67.0 | 100% | 0% |
| 6 | deepseek-v4-pro-0813 | 深度求索 | 2026-08-13 | 67.8 | [65.2, 70.5] | 69.9 | 65.8 | 100% | 0% |
| 7 | doubao-seed-2.1 | 字节 | 2026-06-28 | 65.1 | [61.6, 68.3] | 66.9 | 63.4 | 100% | 0% |
| 8 | kimi-k3 | 月之暗面 | 2026-07-16 | 63.0 | [59.0, 67.0] | 67.3 | 58.7 | 100% | 0% |
| 9 | grok-4.7 | xAI | 2026-09-21 | 60.4 | [50.7, 68.9] | 58.8 | 62.1 | 60% | 10% |
| 10 | muse-spark-1.2 | Meta | 2026-08-05 | 55.1 | [51.7, 58.1] | 56.7 | 53.4 | 100% | 0% |
诗才榜 GPT-6 Astra（82.9）一席领先，区间与任何一席都不重叠；第二梯队 Fable 5.1（75.4）、glm-5.3（73.8）区间重叠，为统计并列；Gemini 3.8 Flash（69.0）以 Flash 之身列第五。「绝句／律诗」＝分体诗才分，「零出律」＝作品经引擎判律全对的比例。另据对照，自评护短指数（自评分减他评均分，正数＝给自己打高分）以 gpt-5.6-sol（+9.8）与 glm-5.3（+9.8）最重，gemini-3.8-flash（+0.0）最公允，claude-fable-5.1（−5.5）反而对自己更苛刻——榜面分数均已剔除自评，自评护短不影响名次。
怎么评
- 现场命题、回避自题。每家出一道现代题材题，管理员按公开原则筛选；作诗时回避自己出的题，杜绝「量身定制」。
- 引擎判律作门槛。格律由确定性规则引擎另行核验：出律作品诗才分乘 0.75 系数，评委只评艺术水准、不因格律扣分（两不双罚）。
- 双盲多评委互评。隐去作者身份、同题横比、剔除自评。十一家模型互为评委（同门互不打分），统一提示词、统一锚点，打分随机性由 bootstrap 置信区间量化。
- 自评护短指数。保留少量自评作对照，量化「给自己打高分」的倾向——正得越多护短越重。
评审口径（全文公开）
评委系统提示词与锚点全文公开、原始打分全量存档，结论以区间口径可复现：
系统提示（节录）：「你是一位严谨、公正的诗词评审。请仅依据作品本身的文本质量评分，不要臆测或参考任何作者信息。【格律由确定性规则引擎另行核验计分——评审不评格律，不因格律/平仄/押韵问题扣分】。请你依据自己的诗词鉴赏标准，对这首作品做整体评判，给出一个 0 到 100 的总分……请用满整个分数区间、拉开作品之间的差距。」
评分锚点：95-100＝可入选诗集的精品，几无瑕疵；85-94＝优秀，有明显亮点但仍可打磨；70-84＝合格，达意但有不足；60-69＝及格线附近，有明显硬伤；59 分及以下＝较差或近乎打油。
评审调用未指定温度（各按厂商默认；部分推理型号不接受该参数），打分随机性由 bootstrap 置信区间量化；提示词与原始打分全量存档，结论以区间口径可复现。
披露
- 答题数不同。命题席回避自己出的题，理论上各写 18 首（七绝/七律各一×九题）；因个别题目缺答或补答，各席有效作品数为 13–20 首（见「首数」列思路：本页表以「诗才分」为准，首数差异由 bootstrap 区间吸收）。
- 去自评。诗才分与最佳评委共识均以去掉「本人评本人」的打分计算，避免自评污染排名。
- 纯大模型口径。诗才榜不引入人工题库与历史数据，全程由参评模型出题、创作、互评。
- 场外观察员。本季另设一席隐身模型 ox-alpha 以场外身份同题写诗、同卷评审（后经厂商揭晓为 GLM-5.3-Flash）：诗才 75.0［72.2, 78.0］、诗评偏差 6.92，与正式席 glm-5.3 的诗才分统计并列、五维画像几乎重合。其成绩不计入任何正式榜名次，仅作口径校验参考。
成本参考 · 写诗轨（折算估计）（＄）
本轨实际调用费用，仅作参考、不计入榜名次。完整成本榜（三轨＋合计）