Chrysalid1. 从AI写诗看语言模型的文学创作边界
去年秋天，我在整理历年创作的旧体诗时突发奇想：用当下最先进的deepseek模型尝试生成几首同主题作品。当看到屏幕上逐行跳出的诗句时，那种震撼感至今记忆犹新——某些意象的运用甚至比我早期习作更为精妙。这引发了我对AI创作能力的持续观察：当前主流大模型在诗歌创作领域究竟达到了什么水平？
经过半年多的对比测试，我发现一个有趣现象：在特定体裁和主题下，以deepseek为代表的大语言模型确实能够稳定产出符合基本格律要求、意象连贯的诗歌作品。其水平不仅远超普通诗词爱好者的入门习作，甚至在某些技术层面（如典故化用、词汇丰富度）展现出令人惊讶的成熟度。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. AI诗歌创作的技术实现路径
2.1 语言模型的诗学训练机制
现代大语言模型通过三个关键阶段掌握诗歌创作能力：
- 语料消化阶段：模型会分析数十万首从唐诗宋词到现代诗的经典作品，建立包括平仄规律（如五言诗"平平仄仄平"）、意象组合（"明月-故乡"）、修辞手法（比喻/用典）在内的诗歌特征数据库
- 模式识别阶段：通过注意力机制捕捉不同诗体（绝句/律诗/自由诗）的结构特征，例如识别出七言律诗必须满足"起承转合"的章法结构
- 生成优化阶段：采用强化学习框架，让模型在数万次迭代中学习如何平衡创意与规则——就像诗人需要兼顾格律约束和情感表达
实测发现：当提示词包含"七绝·春景"时，模型会优先激活相关神经元组合，其生成过程类似人类诗人的构思路径——先确定"春"主题的典型意象池（如柳絮、莺啼），再按照绝句的起承转合进行排布。
2.2 超越初学者的核心能力
通过对比分析300组人类初学者与AI的同题诗作，发现模型在以下方面具有显著优势：
| 评估维度 | 人类初学者常见问题 | AI典型表现 |
|---|---|---|
| 格律准确性 | 平仄错误率＞40% | 错误率＜5%（近体诗场景） |
| 意象连贯性 | 意象跳跃/逻辑断裂 | 能建立主题明确的意象群 |