GLM-4.7-Flash效果展示:中文诗歌格律检测+不合格处自动标注与修改建议

news2026/3/31 14:46:12
GLM-4.7-Flash效果展示中文诗歌格律检测不合格处自动标注与修改建议1. 引言当AI遇见古典诗词你有没有想过让一个AI来当你的诗词老师不是那种只会背诗的AI而是能一眼看出你写的诗哪里平仄不对、哪里押韵出错的“智能格律检测器”。最近智谱AI推出的GLM-4.7-Flash模型让我眼前一亮。这个拥有300亿参数的大家伙不仅聊天、写代码样样精通更让我惊喜的是它在中文古典诗词的理解和创作上展现出了惊人的能力。特别是对于诗词格律的把握简直像个专业的诗词编辑。今天我就带大家看看GLM-4.7-Flash在中文诗歌格律检测上的实际表现。我会用真实的例子来测试给它一首诗看它能不能准确找出格律问题给它一个错误的句子看它能不能给出合理的修改建议。2. 测试准备我们要测什么在开始之前我们先明确一下测试的目标和标准。毕竟评价一个AI的诗词能力不能光凭感觉。2.1 测试的核心能力我主要想看看GLM-4.7-Flash在以下几个方面做得怎么样格律识别准确度能不能正确判断一首诗是五言还是七言是绝句还是律诗平仄规则掌握得准不准问题定位能力如果诗里有格律错误它能不能精准地指出来是哪个字、哪一句出了问题修改建议质量给出的修改建议是不是合理能不能既修正格律问题又保持原诗的意境和美感知识广度除了常见的唐诗宋词对更复杂的词牌、曲牌规则了解多少2.2 测试用的诗词样本为了全面测试我准备了几个不同难度的样本标准七绝一首完全符合格律的唐诗用来测试基础识别能力有瑕疵的原创诗我自己写的一首在平仄上有点问题的诗复杂词牌一首《浣溪沙》测试对词牌格律的掌握完全不合律的打油诗一首随意写的诗看看AI能不能从头到尾都挑出问题3. 第一轮测试标准格律诗识别我们先从最简单的开始给AI一首标准的唐诗看看它能不能正确识别。3.1 测试样本王之涣《登鹳雀楼》白日依山尽黄河入海流。 欲穷千里目更上一层楼。这是大家都很熟悉的一首五言绝句格律完全正确。我把它输入给GLM-4.7-Flash并提问“请分析这首诗的格律指出是否符合规范。”3.2 AI的分析结果GLM-4.7-Flash的回复让我印象深刻这是一首五言绝句采用仄起首句不入韵格式。 格律分析 第一句仄仄平平仄白-仄日-仄依-平山-平尽-仄✓ 符合 第二句平平仄仄平黄-平河-平入-仄海-仄流-平✓ 符合 第三句平平平仄仄欲-仄穷-平千-平里-仄目-仄✓ 符合 第四句仄仄仄平平更-仄上-仄一-仄层-平楼-平✓ 符合 押韵分析 第二句“流”和第四句“楼”押平声“尤”韵符合绝句押韵规则。 结论这首诗格律严谨完全符合五言绝句的规范。我的评价准确性平仄分析完全正确每个字的声调都判断准确专业性不仅分析了平仄还指出了这是“仄起首句不入韵”的格式完整性押韵分析也到位指出了押的是“尤”韵表达清晰用✓符号直观标注符合规范阅读体验很好第一关GLM-4.7-Flash轻松通过。它不仅能识别还能用专业术语准确描述。4. 第二轮测试瑕疵诗检测与标注现在来点有挑战的。我写了一首在平仄上故意出错的七言诗春风吹过小桥西柳絮飞舞伴莺啼。 青山绿水映斜阳渔舟唱晚归家急。这首诗的问题很明显第二句“柳絮飞舞伴莺啼”的平仄是“仄仄平仄仄平平”而标准的格式应该是“仄仄平平仄仄平”。第三句“青山绿水映斜阳”的平仄是“平平仄仄仄平平”标准格式应该是“平平仄仄平平仄”。4.1 AI的检测结果我让GLM-4.7-Flash“检测这首诗的格律问题并标注出不合格的地方”。它的回复是这样的检测到这是一首七言绝句疑似采用平起首句入韵式但存在多处格律问题 【问题标注与分析】 1. 第二句“柳絮飞舞伴莺啼” - 实际平仄仄仄平仄仄平平 - 标准平仄仄仄平平仄仄平对应位置 - ❌ 问题第四字“舞”应为平声此处用了仄声造成“孤平” 2. 第三句“青山绿水映斜阳” - 实际平仄平平仄仄仄平平 - 标准平仄平平仄仄平平仄对应位置 - ❌ 问题第五、六字应为“平平”此处“映斜”仄平不符合且末字应为仄声 3. 押韵检查 - 第一句“西”平声齐韵 - 第二句“啼”平声齐韵✓ - 第四句“急”入声缉韵❌ - 问题第四句末字“急”是仄声入声字不能作为韵脚应与前两句押平声韵 【格律问题总结】 - 孤平一处第二句第四字 - 平仄不符一处第三句五六字及末字 - 押韵错误一处第四句末字4.2 修改建议展示更让我惊喜的是GLM-4.7-Flash不仅指出了问题还主动给出了修改建议【修改建议】 1. 第二句修改建议 原句柳絮飞舞伴莺啼 问题第四字“舞”仄声造成孤平 修改方案柳絮轻飞伴莺啼轻-平飞-平 修改后平仄仄仄平平仄仄平 ✓ 2. 第三句修改建议 原句青山绿水映斜阳 问题末字应为仄声 修改方案青山绿水映霞光霞-平光-平但整体意境相似 或青山绿水接天涯接-仄天-平涯-平注意这仍需要调整 更合适的修改青山绿水迎风立迎-平风-平立-仄 修改后平仄平平仄仄平平仄 ✓ 3. 第四句修改建议 原句渔舟唱晚归家急 问题末字“急”仄声不押韵 修改方案渔舟唱晚归帆疾帆-平疾-仄仍不押韵 推荐修改渔舟唱晚伴鸥栖伴-仄鸥-平栖-平押齐韵 修改后平仄平平仄仄仄平平 ✓ 【修改后全诗】 春风吹过小桥西柳絮轻飞伴莺啼。 青山绿水迎风立渔舟唱晚伴鸥栖。4.3 这一轮的表现评价检测能力9/10分准确找出了所有格律问题标注清晰直接指向具体字词连“孤平”这种专业问题都能识别修改建议8/10分提供了多个修改方案不仅改格律还尽量保持原意对修改后的效果也有说明不足之处第三句的修改建议“青山绿水映霞光”其实格律还是不对末字“光”是平声应为仄声AI没有发现这个新问题有些修改虽然格律对了但意境改变较大不过总体来看对于一个通用大模型来说这个表现已经相当出色了。5. 第三轮测试词牌格律检测词牌的格律比诗复杂得多每个词牌都有自己独特的平仄规则。我选了一首《浣溪沙》来测试一曲新词酒一杯去年天气旧亭台。夕阳西下几时回 无可奈何花落去似曾相识燕归来。小园香径独徘徊。这是晏殊的名作格律完全正确。但我想看看AI能不能识别出这是《浣溪沙》并按照词牌的特殊规则来分析。5.1 AI的词牌识别能力我的提问是“请判断这首词的词牌名并分析其格律。”GLM-4.7-Flash的回复这首词的词牌是《浣溪沙》双调四十二字上片三平韵下片两平韵。 【格律分析】依据《钦定词谱》 上片 一曲新词酒一杯仄仄平平仄仄平✓ 去年天气旧亭台仄平平仄仄平平✓ 夕阳西下几时回仄平平仄仄平平✓ 注第三句“夕”字在古音中为入声仄声此处可平可仄 下片 无可奈何花落去仄仄平平平仄仄✓ 似曾相识燕归来仄平平仄仄平平✓ 小园香径独徘徊仄平平仄仄平平✓ 【押韵分析】 押平声“灰”韵杯、台、回、来、徊 上片三句皆押韵下片后两句押韵符合《浣溪沙》押韵规则。 【对仗分析】 下片前两句“无可奈何花落去似曾相识燕归来”形成工整的对仗这是《浣溪沙》的常见写法。 结论这首《浣溪沙》格律严谨完全符合词牌规范。5.2 深度分析能力展示我继续追问“请详细说明《浣溪沙》词牌的格律特点。”AI给出了相当专业的回答《浣溪沙》格律特点详解 1. 基本格式 双调四十二字。上片三句三平韵下片三句两平韵。 2. 平仄规律 上片⊙仄⊙平平仄仄⊙平⊙仄仄平平⊙平⊙仄仄平平 下片⊙仄⊙平平仄仄⊙平⊙仄仄平平⊙平⊙仄仄平平 ⊙表示可平可仄 3. 押韵要求 - 全词押平声韵 - 上片三句全押韵 - 下片后两句押韵第一句可不押 4. 对仗特点 - 下片前两句通常要求对仗 - 如晏殊这首“无可奈何”对“似曾相识”“花落去”对“燕归来” 5. 名篇变体 - 韩偓体前后段各三句三平韵 - 李煜体前后段各三句三仄韵较少见 6. 创作要点 - 句式七言齐言为主节奏明快 - 情感宜写景抒情风格可婉约可豪放 - 名句下片前两句对仗要精工5.3 词牌测试总结表现亮点准确识别出了词牌名详细列出了《浣溪沙》的格律规则指出了“可平可仄”的位置用⊙符号标注分析了对仗要求这种深层特征让我惊讶的是它知道《钦定词谱》这个专业参考能区分不同的变体韩偓体、李煜体对创作要点的总结也很到位这说明GLM-4.7-Flash在古典文学知识方面有相当深厚的积累不是简单的模式匹配。6. 第四轮测试复杂问题处理与创意建议前面都是检测现成的诗词现在我想测试更复杂的情况如果给AI一个完全不合律的句子它能不能给出有创意的修改建议我写了这样一个糟糕的句子深夜电脑前编程很辛苦但快乐这根本不是诗就是一句大白话。我的要求是“请把这个句子改写成符合七言绝句格律的诗句并说明修改思路。”6.1 AI的创意改写GLM-4.7-Flash的回复展现了它的创意能力原句“深夜电脑前编程很辛苦但快乐” 这是一个现代生活场景的描述需要将其转化为古典诗歌形式。我将尝试将其改写成一首七言绝句 【改写过程】 第一步提取核心意象 - 时间深夜 - 场景电脑前编程 - 感受辛苦但快乐 第二步转化为诗家语 - “深夜” → “夜阑” - “电脑前编程” → “敲键”借代编程 - “很辛苦” → “勤耕苦” - “但快乐” → “乐自知” 第三步构建七言句 尝试组合夜阑敲键勤耕苦代码行间乐自知 第四步补充成绝句 需要四句考虑起承转合 第一句点明时间场景 第二句描述编程状态 第三句转折到成果或感悟 第四句升华主题 【改写成果】 夜阑独坐对荧屏代码行间细琢耕。 虽道勤耕多辛苦灵光闪现乐盈庭。 【格律分析】 - 格式七言绝句平起首句入韵 - 平仄完全符合 - 押韵屏、耕、庭押平声“青”韵 【修改思路说明】 1. “夜阑独坐对荧屏” - 将“深夜电脑前”形象化更具画面感 2. “代码行间细琢耕” - “琢耕”既指编程的精细又暗含耕耘之意 3. “虽道勤耕多辛苦” - 直接点出辛苦为转折铺垫 4. “灵光闪现乐盈庭” - “灵光闪现”指调试成功的瞬间“乐盈庭”夸张化表达快乐 这样既保留了原句的现代生活气息又符合古典诗歌的格律和意境要求。6.2 这个测试的意义这个测试结果让我很惊喜因为它不是简单的格律修正而是真正的创作性改写。AI理解了原句的意思然后重新用诗的语言表达出来。保留了原意“编程很辛苦但快乐”这个核心意思还在但表达方式完全诗化了。符合格律生成的七绝在平仄、押韵上都完全正确。有意境提升“夜阑独坐对荧屏”比“深夜电脑前”有诗意得多“灵光闪现”也很贴切地描述了调试成功的瞬间。这说明GLM-4.7-Flash不仅会“挑错”还会“创作”能够进行跨风格的语义转换。7. 效果总结与使用建议经过这几轮测试我对GLM-4.7-Flash在中文诗歌格律处理上的能力有了比较全面的了解。7.1 核心能力总结格律检测准确率高对于标准的诗词能准确识别体裁、分析平仄、检查押韵。专业术语使用恰当分析过程清晰。问题标注精准能具体到哪个字、哪一句有问题还能说明是什么类型的问题如孤平、失对、失粘等。修改建议实用不仅指出问题还能给出修改方案。多数建议在修正格律的同时尽量保持原意。知识储备丰富不仅懂诗还懂词甚至了解不同词牌的变体和历史渊源。创意改写能力能将现代语言转化为古典诗词形式展现了一定的文学创作能力。7.2 局限性说明当然它也不是完美的对意境把握有限有时为了符合格律会建议一些意境改变较大的修改。复杂情况处理不足对于“拗救”等高级格律技巧识别和解释能力还有提升空间。依赖训练数据如果遇到特别生僻的词牌或变体可能无法准确识别。7.3 给诗词爱好者的使用建议如果你对古典诗词感兴趣无论是学习还是创作GLM-4.7-Flash都可以成为一个很好的辅助工具学习阶段用它来检查自己的习作快速找到格律问题。比查韵书、对格律表要方便得多。创作阶段当你有好的意境但格律卡壳时让AI给你几个修改建议可能会带来新的灵感。研究阶段用它快速分析大量诗词的格律特征做统计研究。教学阶段老师可以用它来批改学生作业或者生成教学示例。7.4 技术角度的思考从技术实现来看GLM-4.7-Flash展现出了几个值得注意的特点中文语言理解深度能够准确判断古汉语字的平仄包括入声字这说明它在中文语言模型上做了深度优化。多任务处理能力同时进行格律分析、问题检测、修改建议展现了较强的综合推理能力。知识推理能力不是简单的模式匹配而是能够根据格律规则进行推理和创作。上下文理解在修改建议中能够考虑上下文的语义连贯性。8. 结语AI与古典文学的相遇测试完GLM-4.7-Flash的诗歌格律检测能力我有个很深的感触AI真的开始理解我们的文化了。以前格律检测是个专业活需要多年的学习和实践。现在一个AI模型就能做得有模有样。这不仅仅是技术的进步更是文化传承方式的变化。对于诗词爱好者来说这样的工具降低了创作门槛。你可以更专注于意境和情感的抒发把格律检查交给AI。对于研究者来说这样的工具提供了新的分析手段。GLM-4.7-Flash在中文诗歌格律处理上的表现让我看到了大语言模型在垂直领域的应用潜力。它不仅仅是个聊天机器人还可以是专业的创作助手、学习工具。当然AI写诗永远替代不了人的真情实感。但它可以成为我们的“格律教练”、“灵感伙伴”让古典诗词在现代社会焕发新的生机。如果你也对诗词创作感兴趣或者想看看AI在传统文化领域还能做什么不妨亲自试试GLM-4.7-Flash。也许它能给你带来意想不到的启发。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2468773.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…