创意能力：AI 诗歌创作的艺术与评测

可视化演示

演示AI理解主题与情感基调后，逐句生成并打磨诗句，实现意象构筑、格律匹配与情感表达的发散式创意创作过程。

创作原理：四门基本功

李师傅收徒第一课，不讲技巧，先立规矩。他让诗灵背《声律启蒙》，学会“云对雨、雪对风”，这是格律与押韵；再带它去后山看梨花落进茶碗，教它“把画面装进句子里”，这是意象与意境；接着临摹李白、杜甫的名篇，这是风格模仿；最后问它：“你心里可有一团火？”这是情感表达。四门功课，缺一不可。

我们教 AI 写诗，其实也在做同样的四门功课。现代大语言模型写诗的核心机制是“逐字接龙”：给定前面已经写出的所有字，模型计算下一个字出现的概率，然后挑一个。格律押韵这类“硬规矩”就藏在训练语料里——古诗中句尾字的分布天然带有韵脚规律；意象则是词与词之间的联想跳跃，模型从海量诗句中学会了“柳”后面常跟“绿”、“月”总伴着“乡愁”。数学上，生成整首诗的概率可以写成每个字的条件概率连乘：

正如学徒背韵书是为了开口就有韵律，模型读万卷诗是为了在“接龙”时更自然地接出下一个字。四门基本功，决定了它写出来的东西“像不像诗”。

评测维度：四把尺子

每个月底，李师傅都会把诗灵的新作贴在茶馆墙上，用四把尺子打分：第一把尺量“顺不顺口”，对应流畅性；第二把尺听“句尾响不响”，对应韵律和谐；第三把尺看“有没有画面”，对应意象丰富；第四把尺问“有没有打动人心”，对应情感共鸣。四把尺子都不过关，诗再长也不及格。

在 AI 评测领域，这四把尺子就是“模型能力维度评估”中创意能力的具体化。流畅性可用困惑度（PPL）自动测量，数值越低说明句子越自然；韵律和谐度可统计句尾韵脚匹配的比例；意象丰富度常用用词多样性或人工打分；而“打动人心”很难形式化，目前主要靠人工评委。实践中常把四个维度加权组合成一个总分：

师傅的尺子看似朴素，其实暗含了“多维度、可量化”的评测哲学。AI 评测同理：单看格律工整或单看辞藻华丽都不够，四把尺子一起量，才能看出一个模型真实的创意水平。

生成算法：落笔技法

学完基本功，李师傅开始教“落笔技法”。他要求诗灵动笔前先想好韵脚：这一联要押“ong“韵，那么写到句尾时，脑中的候选词必须先过一道”韵脚筛子”——不是这个韵的字一律不许冒出来。筛完之后，再从剩下的词里挑一个最顺眼的。

这个“先筛后挑”的过程，就是诗歌生成中的“韵律约束解码”。单纯的语言模型只追求字面通顺，经常在句尾写出不通韵的字，或者为了押韵而乱凑；评测与工程实践中，我们会在解码阶段引入硬约束：候选字必须属于合法的韵脚集合，同时保留语言模型的概率排序。写成公式就是：

除了韵脚约束，风格控制（指定“模仿李白”或“模仿李商隐”）和迭代优化（生成后自我检查、重写打磨）也是常用的落笔技法。诗灵的筛子和挑拣，正是这些算法在显微镜下的样子。

评测基准：诗会制度

李师傅深知“自己夸不算数”，于是每月办一次茶诗会：题目从三本旧诗集中抽取，确保大家考同一张卷子；请五位老茶客匿名打分，避免人情分；墙上挂着比分牌，自动记录各项数据；另有一篇公认的名篇贴在旁边供参照。综合每个环节，才评出“月度最佳”。

这整套诗会制度，就是 AI 评测里的“基准测试（Benchmark）”：统一的数据集保证公平，人工评测体系保证评分有温度，自动指标保证快速可复现，参考对齐则防止模型靠“背题”刷分。其中 BLEU 是最经典的自动指标之一，它衡量候选诗与参考诗在 n 元词组上的重合度：

诗会制度让“好诗”有了可讨论的标准。AI 评测同理：光有评委或光有公式都不够，制度设计越严密，评测结果越接近真相。

性能特性：佳作画像

李师傅心里有一张“好苗子画像”：诗灵写十次，最好写出十首不同的诗，这是创造性多样；题目是“秋雨”，就不要写到一半跑去写“春江”，这是主题一致；能冒出几句前人没说透的新句子，这是内容新颖；昨天发挥好，今天也不能拉胯，这是多次稳定。画像上的四点，正是模型能力评估中性能特性考察的核心。

技术层面，这些特性都有对应的量化方式：多样性用 Distinct-n 指标，统计生成文本中不重复的 n 元词组占比；主题一致性用生成诗与题目文本的主题向量余弦相似度；新颖性用生成内容与训练语料的重复率衡量，重复越多越“陈旧”；稳定性看多次生成的得分方差。其中 Distinct-n 是最常用的多样性指标：

画像不是为了贴在墙上好看，而是为了“诊断”。哪一项弱，就针对性地调教哪一项——这正是下一节调教心法的起点。

优化策略：调教心法

诗灵交出的作品总有起伏。李师傅的调教办法有四种：换题目——把要求写得更具体，再给一两句范例，这是提示词设计；管状态——让学徒“冷静”或“放飞”，这是温度调优；改习惯——教它别总挑最顺口的词，这是采样策略；给奖励——诗写得好就多“喂好茶”，这是人类反馈强化学习（RLHF）。四种心法对应 AI 工程中最常见的优化手段。

温度调优是理解其余心法的钥匙。语言模型在每一步都会给所有候选词打一个“得分分布”，温度 T 就像一把旋钮：T 很小，分布被拉尖，几乎总选最高分，输出保守；T 很大，分布被摊平，生僻选项也有了机会，输出发散。这就是温度化 Softmax：

提示词工程是“把要求说清楚”，采样策略是“在概率分布里做取舍”，RLHF 则是用人类偏好训练一个奖励模型来引导生成。师傅的茶越喂越懂徒弟的口味，模型也在反馈循环里越写越像“人写的好诗”。

常见问题：四大毛病的诊断与纠偏

三年下来，李师傅总结出诗灵最容易犯的四个毛病：一是“背稿子”，全篇像从古诗词里剪贴的，这是空洞仿写；二是“为韵伤意”，为了句尾押韵把句子拧得不成人话，这是韵律失衡；三是“词藻堆山”，满眼华丽词却不知道在说什么，这是意象堆砌；四是“讨好评委”，专挑评委爱看的字眼写，这是评测偏差。这些毛病在真实 AI 产品评测中也屡见不鲜。

空洞仿写最直接的症状是“与训练语料高度重复”。我们可以用复制比（CopyRatio）来量化：统计生成诗句中的词有多少能在参考语料集合里找到，占比越高，说明越依赖“背题”：

李师傅的对策从来不是“打一顿”，而是把诊断结果搬上桌面：复制比太高就少喂参考诗、多喂生活观察；韵律失衡就放宽韵脚约束；意象堆砌就强调“一联一意”；评测偏差就引入盲评与多评委。毛病诊断、对症下药，这正是 AI 评测工程师每天在做的事。

AI 应用场景

Python 演示

import mathimport random  class TinyPoet:    def __init__(self):        self.vocab = ['chun', 'feng', 'lv', 'xiyu', 'hong', 'shu',                      'ying', 'anxiang', 'ru', 'meng', 'yue', 'xie']        self.weights = {w: random.random() + 0.5 for w in self.vocab}        self.rhyme_bins = {'ong': ['hong', 'meng', 'feng'], 'u': ['lv', 'ru', 'shu']}     def sample(self, candidates, temperature):        scores = [self.weights[w] / temperature for w in candidates]        mx = max(scores)        exps = [math.exp(s - mx) for s in scores]        total = sum(exps)        r = random.random() * total        acc = 0.0        for i in range(len(exps)):            acc += exps[i]            if r <= acc:                return candidates[i]        return candidates[-1]     def write_line(self, rhyme_key, temperature):        words = [self.sample(self.vocab, temperature) for _ in range(4)]        if rhyme_key and rhyme_key in self.rhyme_bins:            words.append(self.sample(self.rhyme_bins[rhyme_key], temperature))        else:            words.append(self.sample(self.vocab, temperature))        return words     def evaluate(self, lines, keys):        hit = 0        for words, key in zip(lines, keys):            if key in self.rhyme_bins and words[-1] in self.rhyme_bins[key]:                hit += 1        rhyme_rate = hit / len(lines)        flat = [w for words in lines for w in words]        distinct = len(set(flat)) / max(len(flat), 1)        return rhyme_rate, distinct  def main():    random.seed(42)    poet = TinyPoet()    keys = ['ong', '', 'u', 'ong']    for temp in (0.3, 1.5):        print('temperature =', temp)        for _ in range(3):            lines = [poet.write_line(k, temp) for k in keys]            rr, d1 = poet.evaluate(lines, keys)            print(' | '.join(' '.join(words) for words in lines),                  'rhyme=%.2f' % rr, 'distinct=%.2f' % d1)  if __name__ == '__main__':    main()

1. scores = [self.weights[w] / temperature for w in candidates]温度先作用到每个候选词的得分上，这是 Softmax 温度缩放的第一步。
2. exps = [math.exp(s - mx) for s in scores]减去最大分数再取指数，保证数值稳定，等价于 exp(z_i / T)。
3. if rhyme_key and rhyme_key in self.rhyme_bins:句尾字只在对应韵脚桶里采样，这就是“韵律约束解码”的简化版。
4. words.append(self.sample(self.rhyme_bins[rhyme_key], temperature))在合法韵脚集合里选最后一个词，韵脚外的词根本没有出场机会。
5. distinct = len(set(flat)) / max(len(flat), 1)Distinct-1 指标：去重后的词数除以总词数，衡量用词多样性。
6. for temp in (0.3, 1.5):同一台“诗灵”分别用低温与高温写诗，直观对比稳定性与多样性。

常见误区

面试题