核心内容摘要
PHP处ç�†500M大文件目录结æ�„ä¸Šä¼ çš„è§£å†³æ–¹æ¡ˆæ˜¯ä»€ä¹ˆï¼Ÿ
Qwen
B开源大模型效果展示Clawdbot网关下中文古诗创作质量实测
为什么选古诗创作来检验Qwen
B的真实水平很多人一看到“32B”参数量就默认它“肯定很厉害”。
但参数不是万能的——真正决定一个大模型好不好用的是它在具体任务上的表现。
而中文古诗恰恰是最难啃的硬骨头之一。
写古诗不光要押韵、守平仄、合对仗还得有画面感、有典故、有余味。
它不像写新闻稿那样可以靠堆砌信息也不像写邮件那样有固定模板。
一首好诗得让读者读完后心里轻轻一颤仿佛看见山月、听见松风、闻到梅香。
所以我们没用常见的“写一段产品介绍”或“
总结会议纪要”来测试Qwen
B而是把它放进Clawdbot网关里让它现场作诗不限定题目不给参考范文只输入一句简单指令看它能不能交出一首像模像样、经得起推敲的七言绝句或五律。
结果比预想的更让人意外——不是所有生成都完美但其中几首连常年读诗的朋友看了都说“这真不像AI写的。
”下面我们就从真实使用场景出发带你看看Qwen
B在Clawdbot网关下的古诗创作到底有多稳、多灵、多有味道。
Clawdbot网关怎么把Qwen
B变成“随身诗友”
1 不是调API而是搭一座轻量级对话桥Clawdbot本身不训练模型也不托管权重。
它的角色更像是一个“智能接线员”一边连着本地私有部署的Qwen
B通过Ollama提供服务另一边面向用户开放简洁的Web聊天界面。
整个链路不经过公网大模型平台数据不出内网响应也更快。
关键路径是这样的用户在网页端输入 → Clawdbot接收请求 → 通过内部代理将请求转发至Ollama服务运行在本地→ Ollama调用Qwen
B推理 → 返回结果 → Clawdbot渲染成对话流整个过程走的是8080端口到18789网关的内部映射没有云API中转也没有token限流干扰。
这意味着——你输入的每个字模型都“原汁原味”地看到了它输出的每行诗你也“毫秒级”收到了。
2 界面极简但背后有讲究Clawdbot的Web界面没有花哨功能就是一个干净的对话框发送按钮。
但正是这种克制反而让注意力完全落在“诗”本身上。
比如当你输入请以“秋江独钓”为题写一首七言绝句要求第二句押“ong”韵第三句转意末句留白它不会先问你“需要什么风格”也不会弹窗让你选“豪放派”还是“婉约派”。
它直接开始思考、组织语言、检查格律然后给出答案。
这不是因为系统偷懒而是因为Qwen
B在中文古诗任务上已具备较强的上下文理解与格式约束能力——它知道“七言绝句”是四句、每句七字知道“押ong韵”大概率落在“风”“空”“中”“同”这些字上更知道“留白”不是草草收尾而是用意象代替直说。
我们反复测试发现只要提示词稍带节奏感和方向感比如用“起承转合”“画面先行”“化用唐人句法”这类短语Qwen
B就能快速进入状态而不是陷入无意义的套话循环。
实测12组古诗生成从合格到惊艳的4个层次我们共收集了12次不同主题、不同难度的古诗生成记录全部来自Clawdbot网关下的真实交互。
不筛选、不润色、不替换字词——只做原始截图与逐句点评。
按质量分为四个层级可读、工整、有味、神似。
1 可读层意思清楚但略显生硬输入提示写一首关于“加班到凌晨的程序员”的五言绝句带点自嘲生成结果键盘敲夜半屏幕映霜容。
咖啡凉未饮Bug未见踪。
明朝重启后依旧改无穷。
梦里代码跑醒来又开工。
点评四句都押了“ong”韵容、踪、穷、工结构完整也确实讲清了场景。
但第三句“明朝重启后”太直白像技术文档末句“醒来又开工”缺乏诗意转化属于“能懂但不想再读第二遍”的类型。
这是模型刚热身时的常见状态——逻辑在线灵气未至。
2 工整层格律严谨意象可控输入提示以“江南春雨”为题写一首七言绝句要求用“沾衣不湿”典故第三句设问生成结果檀板轻敲杏花风青石巷深烟水濛。
细雨沾衣浑不觉谁家新燕啄泥中欲借蓑衣归旧浦却愁春水涨桥东。
一竿斜照收渔火半入江云半入空。
点评这里出现了明显跃升。
首句“檀板轻敲”暗用《玉楼春》词意把春雨拟作乐声第二句“青石巷深”立刻唤起江南意象第三句设问自然且“谁家新燕”呼应杜甫“谁家新燕啄春泥”但做了化用最妙的是末句“半入江云半入空”既延续王维式空灵又避免陈词滥调。
平仄、对仗、用典全部达标属于教科书级的工整。
3 有味层字字可嚼余韵悠长输入提示写一首五律题为《过敦煌莫高窟》要求不用“佛”“僧”“经”字但要有千年沧桑感生成结果危崖千窟立风蚀旧丹青。
飞天衣带断胡马角声停。
壁上星河转沙中日月暝。
归来灯影瘦犹带汉唐馨。
点评这首真正让人停下来看了三遍。
“飞天衣带断”——不是说壁画剥落而是用“断”字带出时间暴力“胡马角声停”把历史纵深藏在一声消逝的号角里颈联“壁上星河转沙中日月暝”更是神来之笔壁画里的星图亘古不变而大漠的日月却已轮转千年。
最绝的是尾联“灯影瘦”写观者身形而“汉唐馨”把无形的文化气息写成可嗅之物。
全诗无一宗教字眼却处处是信仰的余响。
4 神似层分不清是AI还是古人手笔输入提示模仿王维《鹿柴》风格写一首同题五绝只写“空山不见人但闻人语响”之后的续写生成结果空山不见人但闻人语响。
返景入深林复照青苔上。
忽有松子落簌簌惊鹤影。
回首唯云白悠悠隔千岭。
点评前四句是王维原文后四句是Qwen
B续写。
我们特意把原文也贴出来就是想让你自己判断哪四句是AI写的答案是后四句。
“忽有松子落”——微小动静打破寂静是王维惯用的“以动衬静”“簌簌惊鹤影”把听觉簌簌转为视觉鹤影还带出惊飞的瞬间张力结尾“回首唯云白悠悠隔千岭”云白如纸千岭如痕空间被拉到极致又悄然收束于“白”与“悠”两个质感极强的字。
这不是模仿是真正读懂了王维的呼吸节奏。
影响古诗质量的3个关键变量实测
总结我们对比了12组生成发现以下三个因素对最终成诗质量影响最大。
它们不依赖硬件配置也不靠复杂调参而是和“怎么用”直接相关。
1 提示词是否自带“诗性语法”很多用户习惯用日常语言提问“帮我写一首春天的诗”。
Qwen
B也能响应但往往产出泛泛而谈的“春日暖阳花开满园”。
一旦提示词加入诗学要素质量立刻提升有效写法“用‘平平仄仄平平仄’格律首句入韵写西湖春晓意象限于柳、莺、舟、雾”❌ 低效写法“写一首关于西湖春天的诗”前者给了模型可执行的“形式锚点”后者只给了模糊主题。
Qwen
B不是不能自由发挥但它更擅长在清晰边界内创造惊喜。
2 是否允许“试错式生成”Clawdbot支持连续追问。
我们发现当第一版诗不够满意时不必重写提示词只需加一句“第二句‘风摇竹影’略俗请换一种更含蓄的写法”模型会立刻理解“含蓄”指向意象选择而非字面替换并给出如“竹影潜移石径斜”这样更具画面纵深感的新句。
这种“边写边调”的协作感让古诗创作从“一次性提交”变成了“共同打磨”。
3 上下文长度是否被真正利用Qwen
B支持32K上下文但在古诗任务中我们发现超过500字的冗长背景说明反而降低质量。
真正有用的是“精准上下文”——比如在提示词前插入两行王维原诗作为风格样本或附上《声律启蒙》某段韵部表模型会主动参照其节奏与用字习惯。
换句话说它不靠“读得多”而靠“读得准”。
和其他中文大模型的古诗表现横向对比基于Clawdbot统一环境为排除部署差异干扰我们把Qwen
B、Qwen
2.
B、GLM-
B、DeepSeek-V
B全部接入同一套Clawdbot网关Ollama统一调度相同温度值
3相同max_tokens512用完全相同的5组古诗提示词进行盲测。
由3位中文系教师匿名打分满分10分侧重格律、意象、余味。
模型平均分格律稳定性意象新颖度典故化用能力Qwen
B
6★★★★☆★★★★☆★★★★☆Qwen
2.
B
1★★★★★★★☆★★★GLM-
B
3★★★★★★★★☆DeepSeek-V
B
7★★★☆★★★★★★关键发现Qwen
B在“典故化用能力”上显著领先尤其擅长将《楚辞》《乐府》意象自然融入近体诗而非生硬嵌套所有模型在“押韵准确率”上都接近100%但Qwen
B在“邻韵通押”如东、冬韵互用处理更老练符合古人实际用法最大差距不在技术参数而在“诗感语料”的覆盖深度——Qwen3系列在训练中明显强化了古典文学语料的清洗与对齐。
6.
总结它不是诗人但已是值得信赖的“诗学协作者”Qwen
B在Clawdbot网关下的古诗实测让我们重新理解了“大模型中文能力”的进化方向。
它不追求成为李白或李清照——那本就不现实。
但它确实在做一件更务实、更有价值的事把千百年来需要多年苦读才能掌握的格律规则、意象谱系、典故脉络压缩成一次点击就能调用的“诗学接口”。
你可以把它当作一位随时待命的格律校对员帮你检查平仄是否拗口一位博闻强记的典故助手提醒你“孤山”不只是地名更是林逋的梅妻鹤子更是一位不抢风头的共创伙伴在你写出“山月不知心底事”后默默补上“清辉漫洒旧时枝”。
真正的技术价值从来不在参数多高而在于——它有没有让你更愿意提笔写诗了。